export
方法Model.export(
filepath, format="tf_saved_model", verbose=None, input_signature=None, **kwargs
)
将模型导出为用于推理的 artifact(工件)。
参数
str
或 pathlib.Path
对象。保存 artifact(工件)的路径。str
。导出格式。支持的值:"tf_saved_model"
和 "onnx"
。默认为 "tf_saved_model"
。bool
。导出过程中是否打印消息。默认为 None
,此时使用不同后端和格式设置的默认值。keras.InputSpec
、tf.TensorSpec
、backend.KerasTensor
或后端张量的结构。如果未提供,将自动计算。默认为 None
。format="tf_saved_model"
: - is_static
:可选的 bool
类型。指示 fn
是否是静态的。如果 fn
涉及状态更新(例如,RNG 种子和计数器),则设置为 False
。 - jax2tf_kwargs
:可选的 dict
类型。jax2tf.convert
的参数。请参阅 jax2tf.convert
的文档。如果未提供 native_serialization
和 polymorphic_shapes
,将自动计算。注意: 此功能目前仅支持 TensorFlow、JAX 和 Torch 后端。
注意: 请注意,当使用 format="onnx"
、verbose=True
和 Torch 后端时,导出的 artifact(工件)可能包含来自本地文件系统的信息。
示例
以下是如何导出用于推理的 TensorFlow SavedModel。
# Export the model as a TensorFlow SavedModel artifact
model.export("path/to/location", format="tf_saved_model")
# Load the artifact in a different process/environment
reloaded_artifact = tf.saved_model.load("path/to/location")
predictions = reloaded_artifact.serve(input_data)
以下是如何导出用于推理的 ONNX 模型。
# Export the model as a ONNX artifact
model.export("path/to/location", format="onnx")
# Load the artifact in a different process/environment
ort_session = onnxruntime.InferenceSession("path/to/location")
ort_inputs = {
k.name: v for k, v in zip(ort_session.get_inputs(), input_data)
}
predictions = ort_session.run(None, ort_inputs)
ExportArchive
类keras.export.ExportArchive()
ExportArchive 用于写入 SavedModel artifact(例如,用于推理)。
如果您有一个 Keras 模型或层,想要将其导出为 SavedModel 以进行 Serving(例如通过 TensorFlow-Serving),可以使用 ExportArchive
来配置需要提供的不同 Serving endpoints(端点)及其签名。只需实例化一个 ExportArchive
,使用 track()
注册要使用的层或模型,然后使用 add_endpoint()
方法注册新的 Serving endpoint(端点)。完成后,使用 write_out()
方法保存 artifact(工件)。
生成的 artifact(工件)是 SavedModel,可以通过 tf.saved_model.load
重新加载。
示例
以下是如何导出用于推理的模型。
export_archive = ExportArchive()
export_archive.track(model)
export_archive.add_endpoint(
name="serve",
fn=model.call,
input_signature=[keras.InputSpec(shape=(None, 3), dtype="float32")],
)
export_archive.write_out("path/to/location")
# Elsewhere, we can reload the artifact and serve it.
# The endpoint we added is available as a method:
serving_model = tf.saved_model.load("path/to/location")
outputs = serving_model.serve(inputs)
以下是如何导出具有一个用于推理的 endpoint(端点)和一个用于训练模式正向传播(例如启用 dropout)的 endpoint(端点)的模型。
export_archive = ExportArchive()
export_archive.track(model)
export_archive.add_endpoint(
name="call_inference",
fn=lambda x: model.call(x, training=False),
input_signature=[keras.InputSpec(shape=(None, 3), dtype="float32")],
)
export_archive.add_endpoint(
name="call_training",
fn=lambda x: model.call(x, training=True),
input_signature=[keras.InputSpec(shape=(None, 3), dtype="float32")],
)
export_archive.write_out("path/to/location")
关于资源跟踪的说明
ExportArchive
能够自动跟踪其 endpoints(端点)使用的所有 keras.Variables
,因此大多数时候并非严格需要调用 .track(model)
。但是,如果您的模型使用了查找层(例如 IntegerLookup
、StringLookup
或 TextVectorization
),则需要通过 .track(model)
显式跟踪。
如果您需要在重新加载的 archive 上访问 variables
、trainable_variables
或 non_trainable_variables
属性,也需要显式跟踪。
add_endpoint
方法ExportArchive.add_endpoint(name, fn, input_signature=None, **kwargs)
注册新的 Serving endpoint(端点)。
参数
str
类型。endpoint(端点)的名称。ExportArchive
跟踪的模型/层上可用的资源(例如 keras.Variable
对象或 tf.lookup.StaticHashTable
对象)(您可以调用 .track(model)
来跟踪新模型)。必须知道函数输入的形状和 dtype。为此,您可以 1) 确保 fn
是一个至少已调用过一次的 tf.function
,或者 2) 提供一个 input_signature
参数来指定输入的形状和 dtype(见下文)。fn
的形状和 dtype。可以是 keras.InputSpec
、tf.TensorSpec
、backend.KerasTensor
或后端张量的结构(请参阅下面展示具有 2 个输入参数的 Functional
模型的示例)。如果未提供,则 fn
必须是至少已调用过一次的 tf.function
。默认为 None
。is_static
:可选的 bool
类型。指示 fn
是否是静态的。如果 fn
涉及状态更新(例如,RNG 种子),则设置为 False
。 - jax2tf_kwargs
:可选的 dict
类型。jax2tf.convert
的参数。请参阅 jax2tf.convert
。如果未提供 native_serialization
和 polymorphic_shapes
,将自动计算。返回值
添加到 archive 的、包装 fn
的 tf.function
。
示例
当模型具有单个输入参数时,使用 input_signature
参数添加 endpoint(端点)
export_archive = ExportArchive()
export_archive.track(model)
export_archive.add_endpoint(
name="serve",
fn=model.call,
input_signature=[keras.InputSpec(shape=(None, 3), dtype="float32")],
)
当模型具有两个位置输入参数时,使用 input_signature
参数添加 endpoint(端点)
export_archive = ExportArchive()
export_archive.track(model)
export_archive.add_endpoint(
name="serve",
fn=model.call,
input_signature=[
keras.InputSpec(shape=(None, 3), dtype="float32"),
keras.InputSpec(shape=(None, 4), dtype="float32"),
],
)
当模型具有一个输入参数,该参数是包含 2 个张量的列表时(例如具有 2 个输入的 Functional 模型),使用 input_signature
参数添加 endpoint(端点)
model = keras.Model(inputs=[x1, x2], outputs=outputs)
export_archive = ExportArchive()
export_archive.track(model)
export_archive.add_endpoint(
name="serve",
fn=model.call,
input_signature=[
[
keras.InputSpec(shape=(None, 3), dtype="float32"),
keras.InputSpec(shape=(None, 4), dtype="float32"),
],
],
)
这也适用于字典输入
model = keras.Model(inputs={"x1": x1, "x2": x2}, outputs=outputs)
export_archive = ExportArchive()
export_archive.track(model)
export_archive.add_endpoint(
name="serve",
fn=model.call,
input_signature=[
{
"x1": keras.InputSpec(shape=(None, 3), dtype="float32"),
"x2": keras.InputSpec(shape=(None, 4), dtype="float32"),
},
],
)
添加一个作为 tf.function
的 endpoint(端点)
@tf.function()
def serving_fn(x):
return model(x)
# The function must be traced, i.e. it must be called at least once.
serving_fn(tf.random.normal(shape=(2, 3)))
export_archive = ExportArchive()
export_archive.track(model)
export_archive.add_endpoint(name="serve", fn=serving_fn)
将模型与可以使用 TensorFlow 资源的某些 TensorFlow 预处理相结合
lookup_table = tf.lookup.StaticHashTable(initializer, default_value=0.0)
export_archive = ExportArchive()
model_fn = export_archive.track_and_add_endpoint(
"model_fn",
model,
input_signature=[tf.TensorSpec(shape=(None, 5), dtype=tf.float32)],
)
export_archive.track(lookup_table)
@tf.function()
def serving_fn(x):
x = lookup_table.lookup(x)
return model_fn(x)
export_archive.add_endpoint(name="serve", fn=serving_fn)
add_variable_collection
方法ExportArchive.add_variable_collection(name, variables)
注册一组在重新加载后要检索的变量。
参数
keras.Variable
实例的 tuple/list/set。示例
export_archive = ExportArchive()
export_archive.track(model)
# Register an endpoint
export_archive.add_endpoint(
name="serve",
fn=model.call,
input_signature=[keras.InputSpec(shape=(None, 3), dtype="float32")],
)
# Save a variable collection
export_archive.add_variable_collection(
name="optimizer_variables", variables=model.optimizer.variables)
export_archive.write_out("path/to/location")
# Reload the object
revived_object = tf.saved_model.load("path/to/location")
# Retrieve the variables
optimizer_variables = revived_object.optimizer_variables
track
方法ExportArchive.track(resource)
跟踪变量(层或模型的)和其他资产。
默认情况下,当您调用 add_endpoint()
时,endpoint(端点)函数使用的所有变量都会自动跟踪。但是,非变量资产(例如查找表)需要手动跟踪。请注意,内置 Keras 层(TextVectorization
、IntegerLookup
、StringLookup
)使用的查找表由 add_endpoint()
自动跟踪。
参数
write_out
方法ExportArchive.write_out(filepath, options=None, verbose=True)
将相应的 SavedModel 写入磁盘。
参数
str
或 pathlib.Path
对象。保存 artifact(工件)的路径。tf.saved_model.SaveOptions
对象,指定 SavedModel 保存选项。关于 TF-Serving 的说明:通过 add_endpoint()
注册的所有 endpoint(端点)在 SavedModel artifact(工件)中对于 TF-Serving 都是可见的。此外,注册的第一个 endpoint(端点)将以别名 "serving_default"
显示(除非已手动注册了名为 "serving_default"
的 endpoint(端点)),因为 TF-Serving 需要设置此 endpoint(端点)。