keras和tensorflow保存为可部署的pb格式

加载已训练好的.h5格式的keras模型

传入如下定义好的export_savedmodel()方法内即可成功保存

import keras
import os
import tensorflow as tf
from tensorflow.python.util import compat
from keras import backend as K

def export_savedmodel(model):
	'''
	传入keras model会自动保存为pb格式
	'''
    model_path = "model/"  # 模型保存的路径
    model_version = 0  # 模型保存的版本
    # 从网络的输入输出创建预测的签名
    model_signature = tf.saved_model.signature_def_utils.predict_signature_def(
        inputs={'input': model.input}, outputs={'output': model.output})
    # 使用utf-8编码将 字节或Unicode 转换为字节
    export_path = os.path.join(compat.as_bytes(model_path), compat.as_bytes(str(model_version)))  # 将保存路径和版本号join
    builder = tf.saved_model.builder.SavedModelBuilder(export_path)  # 生成"savedmodel"协议缓冲区并保存变量和模型
    builder.add_meta_graph_and_variables(  # 将当前元图添加到savedmodel并保存变量
        sess=K.get_session(),  # 返回一个 session 默认返回tf的sess,否则返回keras的sess,两者都没有将创建一个全新的sess返回
        tags=[tf.saved_model.tag_constants.SERVING],  # 导出模型tag为SERVING(其他可选TRAINING,EVAL,GPU,TPU)
        clear_devices=True,  # 清除设备信息
        signature_def_map={  # 签名定义映射
            tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY:  # 默认服务签名定义密钥
                model_signature  # 网络的输入输出策创建预测的签名
        })
    builder.save()  # 将"savedmodel"协议缓冲区写入磁盘.
    print("save model pb success ...")

model = keras.models.load_model('model_data/weight.h5')  # 加载已训练好的.h5格式的keras模型
export_savedmodel(model)  # 将模型传入保存模型的方法内,模型保存成功.

Tensorflow保存为可部署的pb格式

在tensorflow绘图的情况下,使用tf.saved_model.simple_save()方法保存模型
传入session
传入保存路径
传入输入占位符在inputs={"input_name": 网络输入占位符变量}
传入输出变量在outputs={"output_name1": 网络输出变量, "output_name2": 网络输出变量}

即可成功保存为可部署的pb格式

tf.saved_model.simple_save(sess,
            "./model",
            inputs={"myInput": x},  # input_name可自定义,编码客户端时对应即可
            outputs={"myOutput": y})

保存好模型后会得到这样格式文件证明你保存没有问题了

variables/
    variables.data-*****-of-*****
    variables.index
saved_model.pb

print_r('点个赞吧')；
var_dump('点个赞吧')；
NSLog(@"点个赞吧！")
System.out.println("点个赞吧!");
console.log("点个赞吧!");
print("点个赞吧!");
printf("点个赞吧!\n");
cout << "点个赞吧!" << endl;
Console.WriteLine("点个赞吧!");
fmt.Println("点个赞吧!")
Response.Write("点个赞吧")；
alert（’点个赞吧’）

本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：keras和tensorflow保存为可部署的pb格式 - Python技术站