TensorFlow 2.0 函数签名与图结构解析
本文深入解析TensorFlow 2.0中input_signature的作用及其与图结构的关系。通过具体代码示例，展示如何利用input_signature限定输入类型以增强函数安全性，并详细说明如何使用get_concrete_function将Python函数转换为可保存的ConcreteFunction对象，进而生成SavedModel。文章还涵盖了从ConcreteFunction中提取图定义、操作节点及张量名称的具体操作方法，旨在帮助开发者理解模型保存与加载的核心机制。
input_signature的作用与SavedModel保存机制
使用input_signature的主要优势在于对函数输入类型进行严格限制，从而有效防止在调用函数时因参数类型不匹配而引发错误。
首先，input_signature能够明确限定函数的输入数据类型，避免在调用过程中出现类型错误。
其次，在TensorFlow框架中，只有具备input_signature的函数才能被保存为SavedModel格式。在保存过程中，必须通过get_concrete_function函数，将带有@tf.function装饰器的普通Python函数转换为包含具体图定义的函数。
以下代码示例具体展示了input_signature如何限制函数的输入类型。
@tf.function(input_signature=[tf.TensorSpec([None], tf.int32, name='x')])
def cube(z): #实现输入的立方
return tf.pow(z, 3)
try:
print(cube(tf.constant([1., 2., 3.])))
except ValueError as ex:
print(ex)
print(cube(tf.constant([1, 2, 3])))运行结果如下：
Python inputs incompatible with input_signature: inputs: ( tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32)) input_signature: ( TensorSpec(shape=(None,), dtype=tf.int32, name='x')) tf.Tensor([ 1 8 27], shape=(3,), dtype=int32)
get_concrete_function的使用与ConcreteFunction对象
关于get_concrete_function的具体用法
需要注意的是，下文介绍的函数在常规的模型构建和训练阶段通常不会直接使用。它们主要应用于两个场景：一是如何正确保存模型，二是保存后如何准确载入模型。
可以为由@tf.function装饰的普通Python函数添加input_signature，从而将该Python函数转换为可保存的TensorFlow图结构（即SavedModel）。
以下是函数用法的具体示例：
@tf.function(input_signature=[tf.TensorSpec([None], tf.int32, name='x')])
def cube(z):
return tf.pow(z, 3)
try:
print(cube(tf.constant([1., 2., 3.])))
except ValueError as ex:
print(ex)
print(cube(tf.constant([1, 2, 3])))
# @tf.function py func -> tf graph
# get_concrete_function -> add input signature -> SavedModel
cube_func_int32 = cube.get_concrete_function(
tf.TensorSpec([None], tf.int32)) #tensorflow的类型
print(cube_func_int32)输出结果如下：
<tensorflow.python.eager.function.ConcreteFunction object at 0x00000240E29695C0>
从上述输出可以看出，调用get_concrete_function函数后，返回的是一个ConcreteFunction对象。
#看用新参数获得的对象与原来的对象是否一样
print(cube_func_int32 is cube.get_concrete_function(
tf.TensorSpec([5], tf.int32))) #输入大小为5
print(cube_func_int32 is cube.get_concrete_function(
tf.constant([1, 2, 3]))) #传具体数据再次输出：
True True
从ConcreteFunction中提取图定义与节点信息
cube_func_int32.graph #获取图定义
输出结果如下：
[<tf.Operation 'x' type=Placeholder>,
<tf.Operation 'Pow/y' type=Const>,
<tf.Operation 'Pow' type=Pow>,
<tf.Operation 'Identity' type=Identity>]
pow_op = cube_func_int32.graph.get_operations()[2]
print(pow_op)输出内容如下：
name: "Pow" op: "Pow" input: "x" input: "Pow/y" attr { key: "T" value { type: DT_INT32 } }
print(list(pow_op.inputs))
print(list(pow_op.outputs))输出结果如下：
[<tf.Tensor 'x:0' shape=(None,) dtype=int32>, <tf.Tensor 'Pow/y:0' shape=() dtype=int32>] [<tf.Tensor 'Pow:0' shape=(None,) dtype=int32>]
cube_func_int32.graph.get_operation_by_name("x")
输出结果如下：
<tf.Operation 'x' type=Placeholder>
cube_func_int32.graph.get_tensor_by_name("x:0") #注意默认需加上“：0”后缀
<tf.Tensor 'x:0' shape=(None,) dtype=int32>
cube_func_int32.graph.as_graph_def() #获取总图定义，适用于上述两种操作
node {
name: "x"
op: "Placeholder"
attr {
key: "_user_specified_name"
value {
s: "x"
}
}
attr {
key: "dtype"
value {
type: DT_INT32
}
}
attr {
key: "shape"
value {
shape {
dim {
size: -1
}
}
}
}
}
node {
name: "Pow/y"
op: "Const"
attr {
key: "dtype"
value {
type: DT_INT32
}
}
attr {
key: "value"
value {
tensor {
dtype: DT_INT32
tensor_shape {
}
int_val: 3
}
}
}
}
node {
name: "Pow"
op: "Pow"
input: "x"
input: "Pow/y"
attr {
key: "T"
value {
type: DT_INT32
}
}
}
node {
name: "Identity"
op: "Identity"
input: "Pow"
attr {
key: "T"
value {
type: DT_INT32
}
}
}
versions {
producer: 119
}至此，关于TensorFlow 2.0函数签名与图结构的介绍已完成。如需了解更多关于TensorFlow函数签名与图结构的内容，建议查阅本站过往文章或继续浏览后续相关文章，感谢大家的支持！
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
