如何在Python中使用AzureCognitiveServices中经过培训的分类器与Keras

我对认知视觉API模型进行了培训，并将其导出（尝试了两种格式：TensorFlow和SavedModel）

现在我想用Python脚本加载这个导出的模型，理想情况下使用Keras而不是本机Tensorflow。我想打印出模型的

summary（）

，并复制层以在自定义Python脚本中重新训练它

然而，我似乎无法实现这一点：

使用SavedModel格式加载此文件

使用以下代码：

将tensorflow导入为tf
loaded=tf.saved\u model.load（导出\u dir='mydir/savedmodel'）
已加载。摘要（）

我得到以下异常：

'AutoTrackable'对象没有属性“summary”

，并且似乎load方法返回了一个

AutoTrackable

，而不是一个模型

使用GraphDef

从下面的代码中，创建了一个TensorFlow特定的类型，我真的不知道如何转换为Keras模型

将tensorflow导入为tf
导入操作系统
graph_def=tf.compat.v1.GraphDef（）
标签=[]
#这些将设置为导出模型的默认名称，并根据需要进行更新。
文件名='mydir/tf/model.pb'
labels\u filename=“mydir/tf/labels.txt”
#导入TF图
将tf.io.gfile.gfile（文件名“rb”）作为f：
graph_def.ParseFromString（f.read（））
tf.import_graph_def（graph_def，name=''）
#创建标签列表。
将打开的标签（文件名为“rt”）作为lf：
对于lf中的l：
labels.append（l.strip（））

TensorFlow保存的模型​ 格式化以在运行时加载模型。

可以使用Python脚本导出模型，该脚本加载模型，创建签名，然后以保存的模型格式保存模型

当我们上传并读取文件进行注册时将其保存。如果您使用./output将文件发送到output，则在train.py脚本中，您只需执行以下操作：

#persist the model to the local machine
tf.saved_model.save(model,'./outputs/model/')

#register the model with run object
run.register_model(model_name,'./outputs/model/')

我发现下面的链接显示我可以将估计器导出为tf.saved_模型

---

能否共享用于将TensorFlow签出导出为保存模型的脚本。导出模型脚本执行许多操作以准备模型进行推断：创建并验证服务签名将变量转换为常量（也称为图形冻结）。输出保存的模型