Python TensorFlow：如何从保存的模型进行预测？

我已经导出了一个

SavedModel

，现在我需要将其重新加载并进行预测。它接受了以下功能和标签的培训：

F1 : FLOAT32
F2 : FLOAT32
F3 : FLOAT32
L1 : FLOAT32

假设我想输入值

20.9,1.8,0.9

得到一个

FLOAT32

预测。我如何做到这一点？我成功地加载了模型，但我不确定如何访问它以进行预测调用

with tf.Session(graph=tf.Graph()) as sess:
    tf.saved_model.loader.load(
        sess,
        [tf.saved_model.tag_constants.SERVING],
        "/job/export/Servo/1503723455"
    )

    # How can I predict from here?
    # I want to do something like prediction = model.predict([20.9, 1.8, 0.9])

---

此问题不是已发布问题的副本。这个问题的重点是对任何模型类的

SavedModel

（不仅限于

tf.estimator

）执行推理的一个最小示例，以及指定输入和输出节点名称的语法。

一旦加载图形，它在当前上下文中可用，您可以通过它提供输入数据以获得预测。每个用例都有很大的不同，但添加到代码中的内容如下所示：

with tf.Session(graph=tf.Graph()) as sess:
    tf.saved_model.loader.load(
        sess,
        [tf.saved_model.tag_constants.SERVING],
        "/job/export/Servo/1503723455"
    )

    prediction = sess.run(
        'prefix/predictions/Identity:0',
        feed_dict={
            'Placeholder:0': [20.9],
            'Placeholder_1:0': [1.8],
            'Placeholder_2:0': [0.9]
        }
    )

    print(prediction)

在这里，您需要知道预测输入的名称。如果您在

服务中没有给他们一个中堂fn

，那么他们默认为

占位符n

，其中

n

是第n个功能

---

sess.run

的第一个字符串参数是预测目标的名称。这将根据您的用例而有所不同。

假设您希望使用Python进行预测，这可能是加载SavedModel并获取预测的最简单方法。假设您这样保存模型：

# Build the graph
f1 = tf.placeholder(shape=[], dtype=tf.float32)
f2 = tf.placeholder(shape=[], dtype=tf.float32)
f3 = tf.placeholder(shape=[], dtype=tf.float32)
l1 = tf.placeholder(shape=[], dtype=tf.float32)
output = build_graph(f1, f2, f3, l1)

# Save the model
inputs = {'F1': f1, 'F2': f2, 'F3': f3, 'L1': l1}
outputs = {'output': output_tensor}
tf.contrib.simple_save(sess, export_dir, inputs, outputs)

（输入可以是任何形状，甚至不必是图中的占位符或根节点）

然后，在将使用

SavedModel

的Python程序中，我们可以得到如下预测：

from tensorflow.contrib import predictor

predict_fn = predictor.from_saved_model(export_dir)
predictions = predict_fn(
    {"F1": 1.0, "F2": 2.0, "F3": 3.0, "L1": 4.0})
print(predictions)

---

展示了如何在爪哇、C++和Python中得到预测（尽管事实上问题是集中在估计者身上，答案实际上是独立于如何创建<代码> SaveDead < /COD>）的。

< P>对于需要保存一个经过训练的罐头模型并在没有TunSerFoad服务的情况下服务的例子来说，我在这里有记录

您可以从

tf.tensorflow.contrib.predictor.from\u saved\u model（exported\u model\u path）

准备输入

tf.train.Example( 
    features= tf.train.Features(
        feature={
            'x': tf.train.Feature(
                 float_list=tf.train.FloatList(value=[6.4, 3.2, 4.5, 1.5])
            )     
        }
    )    
)

---

此处

x

是导出时在input_receiver_函数中给出的输入名称。 例如：

---

tf.estimator.DNNClassifier的构造函数

有一个名为

warm\u start\u的参数

。您可以给它指定

SavedModel

文件夹名，它将恢复您的会话。

可能重复的请参阅我的最新编辑，了解为什么这不是重复的。使用tensorflow 1.7检查详细答案这里显然simple\u save与图形生成代码不兼容，当使用从输入文件读取模型输入时Dataset及其迭代器，因为simple_save需要张量而不是numpy数组。此外，名称空间更改为tf.saved_model，而不是tf.contrib。我的代码可能就是问题所在。使用使用Dataset训练的模型并使用simple_save保存的已知工作代码示例最好有@mrry。显然simple_save的另一个不兼容之处是与输入稀疏numpy数组的图形生成代码不兼容，图形生成代码的第一行是tf.stack，因为它是稀疏矩阵。那么，在图形构建代码之外，您将tf.stack放在哪里呢？使用一个调用tf.stack的模型并使用simple_save保存的已知工作代码示例非常适合@mrry@GeoffreyAnderson听起来值得提出自己的问题；请务必发布您正在使用的代码片段。请注意，这可能不再适用于TensorFlow 2.0。至少，导入可能已更改。文件夹中的

warm\u start\u包含检查点或
SavedModel
？它们不一样。为什么我们不能向每个占位符传递多个值，比如批处理或输入
prediction=sess.run（'prefix/predictions/Identity:0'，feed_dict={'Placeholder:0'：[20.9,11.3]，'Placeholder_1:0'：[1.8,2.6]，'Placeholder_2:0'：[0.9,0.76]）
feature_spec = {'x': tf.FixedLenFeature([4],tf.float32)}

def serving_input_receiver_fn():
    serialized_tf_example = tf.placeholder(dtype=tf.string,
                                           shape=[None],
                                           name='input_tensors')
    receiver_tensors = {'inputs': serialized_tf_example}
    features = tf.parse_example(serialized_tf_example, feature_spec)
    return tf.estimator.export.ServingInputReceiver(features, receiver_tensors)