Python 在TF2.0中保存了_model.prune（）

我正在尝试修剪使用tf.keras生成的

SavedModel

的节点。修剪脚本如下所示：

svmod = tf.saved_model.load(fn) #version 1
#svmod = tfk.experimental.load_from_saved_model(fn) #version 2
feeds = ['foo:0']
fetches = ['bar:0']
svmod2 = svmod.prune(feeds=feeds, fetches=fetches)
tf.saved_model.save(svmod2, '/tmp/saved_model/') #version 1
#tfk.experimental.export_saved_model(svmod2, '/tmp/saved_model/') #version 2

如果我使用版本#1，则修剪工作正常，但在保存时提供了

ValueError:导出时需要一个可跟踪对象。在版本2中，没有prune（）方法

如何修剪TF2.0 Keras SavedModel？
由于您可以在版本1中成功地修剪，我建议您尝试使用“pickle”来保存模型。
请尝试以下步骤以保存模型

import pickle
with open('<model_name.pkl>', 'wb') as f:
    pickle.dump(<your_model>, f)

导入pickle
将open（“”，'wb'）作为f：
pickle.dump（，f）

将模型解读为：

with open('<model_name.pkl>', 'rb') as f:
    model = pickle.load(f)

以open（“”，'rb'）作为f：
模型=pickle.load（f）

在您的情况下，对于版本1，您的代码片段中的#u模型是svmod2看起来您在版本1中修剪模型的方式很好；根据错误消息，生成的修剪模型无法保存，因为它不“可跟踪”，这是使用
tf.saved\u model.save
保存模型的必要条件。制作可跟踪对象的一种方法是从类继承，如和指南中所述。下面是尝试保存对象（由于对象不可跟踪而失败）、从
tf.module
继承并保存结果对象的示例：

（使用Python版本3.7.6、TensorFlow版本2.1.0和NumPy版本1.18.1）

导入tensorflow作为tf，numpy作为np
#定义一个随机张量流函数并生成一个参考输出
conv_filter=tf.random.normal（[1,2,4,2]，seed=1254）
@功能
def conv_型号（x）：
返回tf.nn.conv2d（x，conv_过滤器，1，“相同”）
输入张量=tf.one（[1,2,3,4]）
输出张量=转换模型（输入张量）
打印（“原始模型输出：”，输出张量，sep=“\n”）
#尝试保存模型：它不会工作，因为tf.function不可跟踪
export_dir=“/tmp/”
try:tf.saved\u model.save（conv\u model，export\u dir）
除了值错误：打印(
“无法保存{}对象，因为它不可跟踪”。格式（类型（conv_model）））
#现在通过从tf.Module类继承来定义一个可跟踪对象
类MyModule（tf.Module）：
@功能
定义调用（self，x）：返回conv_模型（x）
#实例化可跟踪对象，并调用一次以跟踪编译图形
模块_func=MyModule（）
模函数（输入张量）
tf.saved\u model.save（模块函数，导出目录）
#恢复模型并验证输出是否一致
还原的模型=tf.saved\u model.load（导出目录）
恢复的\输出\张量=恢复的\模型（输入\张量）
打印（“恢复的模型输出：”，恢复的输出张量，sep=“\n”）
如果np.array_等于（output_tensor.numpy（），则还原的_output_tensor.numpy（））：
打印（“输出一致：）”）
其他：打印（“输出不一致：（”）

控制台输出：

原始模型输出：
tf张量(
[[[[-2.3629642   1.2904963 ]
[-2.3629642   1.2904963 ]
[-0.02110204  1.3400152 ]]
[[-2.3629642   1.2904963 ]
[-2.3629642   1.2904963 ]
[-0.021104 1.3400152]]]，形状=（1,2,3,2），数据类型=float32）
无法保存对象
因为它不可追踪
恢复的模型输出：
tf张量(
[[[[-2.3629642   1.2904963 ]
[-2.3629642   1.2904963 ]
[-0.02110204  1.3400152 ]]
[[-2.3629642   1.2904963 ]
[-2.3629642   1.2904963 ]
[-0.021104 1.3400152]]]，形状=（1,2,3,2），数据类型=float32）
输出一致：）

因此，您应该尝试按如下方式修改代码：

svmod = tf.saved_model.load(fn) #version 1
#svmod = tfk.experimental.load_from_saved_model(fn) #version 2
feeds = ['foo:0']
fetches = ['bar:0']
svmod2 = svmod.prune(feeds=feeds, fetches=fetches)
tf.saved_model.save(svmod2, '/tmp/saved_model/') #version 1
#tfk.experimental.export_saved_model(svmod2, '/tmp/saved_model/') #version 2

svmod=tf.saved_model.load（fn）#版本1
svmod2=svmod.prune（feeds=['foo:0']，fetches=['bar:0']）
类可导出（tf.Module）：
@功能
定义调用（自身、模型输入）：返回svmod2（模型输入）
svmod2_导出=可导出（）
svmod2_导出（典型输入）#使用典型输入调用一次以跟踪编译
tf.saved_model.save（svmod2_导出“/tmp/saved_model/”）

如果您不想从
tf.Module
继承，您也可以只实例化
tf.Module
对象，并通过替换该部分代码添加
tf.function
方法/可调用属性，如下所示：

svmod = tf.saved_model.load(fn) #version 1
#svmod = tfk.experimental.load_from_saved_model(fn) #version 2
feeds = ['foo:0']
fetches = ['bar:0']
svmod2 = svmod.prune(feeds=feeds, fetches=fetches)
tf.saved_model.save(svmod2, '/tmp/saved_model/') #version 1
#tfk.experimental.export_saved_model(svmod2, '/tmp/saved_model/') #version 2

to_export=tf.Module（）
to_export.call=tf.function（conv_模型）
调用（输入张量）
tf.saved\u model.save（to\u export，export\u dir）
还原的模块=tf.saved\u model.load（导出目录）
restored\u func=restored\u module.call
很抱歉，我不清楚是否需要使用TF SavedModel格式，这是TF serving、TFLite等的标准格式。保存在pickle文件中并不能实现这一点。这非常有用，但我遇到了一个问题。我的模型是带有估计器的trainer，它似乎输入了
全局步骤
。同样地，当尝试执行上述操作时，我得到一个错误：
TypeError：预期的参数名称为['Placeholder'，'global_step'，]，但得到了['Placeholder'的值。缺少：['global_step']。
实际上，我通过在调用函数定义中手动传递一个全局步骤来修复这个问题。然而，当尝试加载时，我得到了错误：
File”/usr/local/lib/python3.7/site packages/tensorflow/python/keras/saving/saving/saving\u utils.py“，第113行，在跟踪模型调用（model.call，def\u function.function）中，如果是instance（model.call，def\u function.function）：AttributeError:“\u UserObject”对象没有属性“call”
Hmm。。。你能发布完整的代码和错误信息吗？可能作为一个新答案或新问题，在没有换行符的情况下阅读注释中的代码是很困难的。请将其单独发布在此处：