Python TensorFlow:将py_func保存到.pb文件

我尝试构建一个tensorflow模型——在这里，我使用tf.py_func在普通python代码中创建代码的一部分。问题是，当我将模型保存到.pb文件时，.pb文件本身非常小，并且不包括py_func:0张量。当我尝试从.pb文件加载并运行模型时，出现以下错误：get ValueError:未找到回调pyfunc_0

当我不保存并加载为.pb文件时，它就可以工作了

有人能帮忙吗。这对我来说非常重要，给了我几个不眠之夜

model_version = "465555564"
tensorboard = TensorBoard(log_dir='./logs', histogram_freq = 0, write_graph = True, write_images = False)

sess = tf.Session()
K.set_session(sess)
K.set_learning_phase(0)

def my_func(x):
    some_function

input = tf.placeholder(tf.float32)
y = tf.py_func(my_func, [input], tf.float32)

prediction_signature = tf.saved_model.signature_def_utils.predict_signature_def({"inputs": input}, {"prediction": y})
builder = saved_model_builder.SavedModelBuilder('./'+model_version)
legacy_init_op = tf.group(tf.tables_initializer(), name='legacy_init_op')
builder.add_meta_graph_and_variables(
      sess, [tag_constants.SERVING],
      signature_def_map={
           signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY:prediction_signature,
      },
      legacy_init_op=legacy_init_op)

builder.save()

---

有一种方法可以使用

TF.py_func

保存TF模型，但是您必须使用

SavedModel

而不使用

TF有两个模型保存级别：检查点和

SavedModels

。有关更多详细信息，请参见，但请在此处引用：

• 检查点包含TensorFlow模型中（某些）变量的值。它是由一个。要使用检查点，您需要有一个兼容的TensorFlow

  图形

  ，其

  变量

  与检查点中的

  变量

  具有相同的名称
• 更全面：它包含一组

  Graph

  s（，实际上是保存集合等），以及一个与这些

  Graph

  s兼容的检查点，以及运行模型所需的任何资产文件（例如词汇表文件）。对于它包含的每个

  元图

  ，它还存储一组签名。签名定义（命名）输入和输出张量

tf.py_func

op无法与

SavedModel

（上有说明）一起保存，这正是您在此处尝试执行的操作。这是有充分理由的

SavedModel

s应该完全独立于原始代码，可以用任何其他可以反序列化它的语言加载。这允许模型加载的东西，这可能是写在C++或类似的东西。问题是它无法序列化任意Python代码，因此

py_func

是不可能的

您可以通过使用检查点来解决这个问题，只要您不介意使用Python。您将无法获得

SavedModel

s提供的独立性。您可以在使用

tf.train.Saver

进行培训后保存一个检查点，然后在新的

会话中重新构建整个图形并使用该
Saver
加载它。甚至还有一种在ML引擎中使用该代码的方法，该引擎过去专门用于
SavedModel
s。您可以使用来回避对
SavedModel
的需要

有关在中保存/恢复模型的详细信息。
这是其局限性之一。“函数体（即func）将不会在GraphDef中序列化”我是否可以绕过此问题？我要做的是加载一个包含“Random Forrest Model”的.pickle文件。我想在TensorFlow内部运行的模型您可以尝试使用autograph，TensorFlow中有一个随机林的实现，请参阅。注意：这是当前位于
tf.contrib
下的内容，其中。请参阅RFC以了解已接受的张索森林计划。