Modele tf

Le modèle regroupe des calques dans un objet avec des fonctions d`apprentissage et d`inférence. Tout d`abord, nous souhaitons exporter notre modèle dans un format que le serveur peut gérer. TensorFlow fournit le SavedModelformat comme un format universel pour l`exportation de modèles. Sous le capot, notre TF. kerasmodel est entièrement spécifié en termes d`objets TensorFlow, afin que nous puissions l`exporter très bien en utilisant les méthodes Tensorflow. Le TensorFlow Saver fournit des fonctionnalités pour enregistrer/restaurer les fichiers de point de contrôle du modèle sur/à partir du disque. En fait, SavedModel enveloppe le TensorFlow Saver et il est censé être la façon standard d`exporter des modèles TF pour servir. 2-en sous-classant la classe Model: dans ce cas, vous devez définir vos calques dans _. init _ et vous devez implémenter la passe avant du modèle dans l`appel. SavedModel est le format de sérialisation universel pour les modèles TensorFlow. Si vous êtes familier avec TF, vous avez probablement utilisé le TensorFlow Saver pour conserver les variables de votre modèle. Le SavedModelBuilder reçoit (en entrée) le répertoire où enregistrer les données du modèle.

Ici, la variable export_path est la concaténation de export_path_base et de la model_version. Par conséquent, différentes versions du modèle seront enregistrées dans des répertoires distincts à l`intérieur du dossier export_path_base. Pour simplifier les choses, SavedModel offre une prise en charge de SignatureDefs. En résumé, SignatureDefs définissent la signature d`un calcul pris en charge par TensorFlow. Il détermine les tenseurs d`entrée et de sortie appropriés pour un graphe de calcul. Il suffit de mettre, avec ces signatures, vous pouvez spécifier les nœuds exacts à utiliser pour l`entrée et la sortie. Tout d`abord, il vous permet d`enregistrer plus d`un méta-graphe à un seul objet SavedModel. En d`autres termes, il nous permet d`avoir différents graphiques pour différentes tâches.

Nous avons deux couches de sortie, donc elles doivent être passées comme une liste de sorties lors de la spécification du modèle. Notez les différentes fonctions d`activation pour la météo et les couches de sortie du sol. Commodément, le TF. kerasimplementation du modèle vient avec la méthode pratique de résumé (): pour utiliser SavedModel, TensorFlow fournit une classe utilitaire de haut niveau facile à utiliser appelée SavedModelBuilder. La classe SavedModelBuilder fournit des fonctionnalités permettant d`enregistrer plusieurs méta-graphiques, variables associées et ressources. Dans ce contexte, SavedModel vous permet d`enregistrer des graphiques avec différentes configurations. Dans notre exemple, nous aurions trois graphiques différents avec des balises correspondantes telles que «formation», «inférence» et «mobile». En outre, ces trois graphiques partageraient tous le même ensemble de variables, ce qui met l`accent sur l`efficacité de la mémoire. C`est tout. Maintenant, nous appelons la fonction add_meta_graph_and_variables () pour générer l`objet de tampon de protocole SavedModel. Ensuite, nous exécutera la méthode Save () et il persistera un instantané de notre modèle sur le disque contenant les variables et les actifs du modèle. Instancie un modèle à partir de sa configuration (sortie de get_config ()).

En outre, SavedModel prend en charge le stockage des ressources pour les cas où l`initialisation des opérations dépend de fichiers externes. En outre, il a des mécanismes pour la suppression des périphériques avant de créer le SavedModel. Si vous sous-classe Model, vous pouvez éventuellement avoir un argument d`apprentissage (Boolean) dans l`appel, que vous pouvez utiliser pour spécifier un comportement différent dans la formation et l`inférence: la première étape pour servir un modèle d`apprentissage-type construit dans TensorFlow est de s`assurer qu`il est dans le bon format.

Questa voce è stata pubblicata in Senza categoria. Contrassegna il permalink.

I commenti sono chiusi.