TensorFlow中那些鲜为人知却又极其实用的知识

一. GraphDef才是正确地模型保存的方法

大部分用户保存TensorFlow模型的方法是tf.train.Saver.save，这是众多科研代码中用来保存模型的方法，保存之后的模型如下图所示。

实际上这种保存的方法，是给模型训练做checkpoint用的，也就是说为了让你能够随时保存实验过程，随时恢复实验用的（防止断电、死机导致实验丢失）。

如果你希望为TensorFlow保存一个能够用于产品用的模型，并且这个模型能够被C/C++/Java/NodeJS等调用（类似Caffe模型），你需要了解GraphDef。用GraphDef方式保存的模型是一个独立地Protobuf文件，看一下维基百科对Protobuf的解释：

Protocol Buffers是一种序列化数据结构的协议。对于透过管线(pipeline)或存储数据进行通信的程序开发上是很有用的。这个方法包含一个接口描述语言，描述一些数据结构，并提供程序工具根据这些描述产生代码，用于将这些数据结构产生或解析数据流。

也就是说Protobuf文件是一种无视语种的数据描述文件，存成Protobuf文件，模型可以被Protobuf支持的各大语种（C/C++/Java/NodeJS等）读取。

TensorFlow模型的正确保存方式如下：

#coding=utf-8 import tensorflow as tf # 定义图 x = tf.placeholder(tf.float32, name="x") y = tf.get_variable("y", initializer=10.0) z = tf.log(x + y, name="z") with tf.Session() as sess: sess.run(tf.global_variables_initializer()) # 进行一些训练代码，此处省略 # xxxxxxxxxxxx # 显示图中的节点 frozen_graph_def = tf.graph_util. convert_variables_to_constants( sess, sess.graph_def, output_node_names=["z"]) print(frozen_graph_def) # 保存图为pb文件 with open('model.pb', 'wb') as f: f.write(frozen_graph_def.SerializeToString()) 

最终，我们只会得到一个model.pb文件：

model.pb存储的是压缩版的frozen_graph_def，上面我们用print函数将frozen_graph_def 输出的结果如下，这可以看到，这是一个标准的图结构的数据（也就是静态图），不仅包含了节点，还包含了节点中的数据。

node { name: "x" op: "Placeholder" attr { key: "dtype" value { type: DT_FLOAT } } attr { key: "shape" value { shape { unknown_rank: true } } } } node { name: "y" op: "Const" attr { key: "dtype" value { type: DT_FLOAT } } attr { key: "value" value { tensor { dtype: DT_FLOAT tensor_shape { } float_val: 10.0 } } } } node { name: "y/read" op: "Identity" input: "y" attr { key: "T" value { type: DT_FLOAT } } attr { key: "_class" value { list { s: "loc:@y" } } } } node { name: "add" op: "Add" input: "x" input: "y/read" attr { key: "T" value { type: DT_FLOAT } } } node { name: "z" op: "Log" input: "add" attr { key: "T" value { type: DT_FLOAT } } } library { } 

为什么在保存GraphDef前要调用tf.graph_util.convert_variables_to_constants方法，我们发现在调用tf.graph_util.convert_variables_to_constants方法时，程序有一行输出：

Converted 1 variables to const ops. 

其实默认状态下，静态图的数据是被同时保存在GraphDef和Session中的，图结构、常量的值等被存储在GraphDef中，而变量的值被存储在Session中，这也是为什么每次用静态图都要在Session中使用的原因。

tf.graph_util.convert_variables_to_constants方法将Session中的变量转换到GraphDef中以常量形式存储，由于没有了变量，得到的GraphDef中包含了静态图的所有信息，即包含了整个模型，保存GraphDef即保存了整个模型。

现在我们可以用C/C++/Java/NodeJS等来读取并执行保存的GraphDef文件，以Java为例（需要Maven导入java版tensorflow api），整个流程和Python API很像，读取图，开启Session，并将读取的图放入Session，指定输入，获取输出：

import org.apache.commons.io.IOUtils; import org.tensorflow.Graph; import org.tensorflow.Session; import org.tensorflow.Tensor; import java.io.FileInputStream; import java.io.IOException; public class DemoImportGraph { public static void main(String[] args) throws IOException { try (Graph graph = new Graph()) { //导入图 byte[] graphBytes = IOUtils.toByteArray(new FileInputStream("model.pb")); graph.importGraphDef(graphBytes); //根据图建立Session try(Session session = new Session(graph)){ //相当于TensorFlow Python中的sess.run(z, feed_dict = {'x': 10.0}) float z = session.runner() .feed("x", Tensor.create(10.0f)) .fetch("z").run().get(0).floatValue(); System.out.println(z); } } } } 

所以，TensorFlow模型并非只能被Python调用。按照GraphDef方式保存为Protobuf模型后，可以被任何TensorFlow提供了API的语种调用。

二. 可以在Keras中使用TensorFlow，也可以在TensorFlow中使用Keras

TensorFlow是最终要的内核之一，在默认的使用TensorFlow作为内核的情况下，Keras的各种层、包括模型的执行，都是依赖TensorFlow的各种操作、Session等去完成的，在Keras中使用TensorFlow是众所周知的，然而在TensorFlow中使用Keras确是一个不常见的情况。其实Keras早就进入了TensorFlow的核心库（tf.keras），而且成为了官方较为推荐使用tf.keras进行模型的构建，看一下TensorFlow 1.9官网教程首页的示例代码，

import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, activation=tf.nn.relu), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation=tf.nn.softmax) ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=5) model.evaluate(x_test, y_test) 

原先在TensorFlow需要几十行才能构建的模型和流程，用tf.keras模块十几行就可以搞定了。

三. TensorFlow Hub中有许多可以直接使用的模型

TensorFlow Hub是TensorFlow官方提供的用于模型发布、复用的工具。例如下面的代码可以获取句子的Embedding，我们只需要给出TensorFlow Hub模型发布的url以及输入，通过简单的几行调用即可完成原先需要数百还才能完成的工作。另外，指定url的方式相比于自己下载模型的方式便利了许多。

import tensorflow as tf import tensorflow_hub as hub with tf.Graph().as_default(): module_url = "https://tfhub.dev/google/nnlm-en-dim128-with-normalization/1" embed = hub.Module(module_url) embeddings = embed(["A long sentence.", "single-word", "http://example.com"]) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) sess.run(tf.tables_initializer()) print(sess.run(embeddings)) 

四. 在静态图中也可以像动态图那样写条件判断语句

原先在静态图中是无法使用Python的if语句来为静态图定义条件判断结构的，需要使用特殊的tf.cond操作来定义一个条件判断节点，非常的麻烦，近期TensorFlow新出的AutoGraph功能可以让用户按照Python的if语句来定义结构，然后利用AutoGraph注解将其转换为相应的静态图结构，这样可以大幅度降低静态图构建的难度：

@autograph.convert() def fizzbuzz(num): if num % 3 == 0 and num % 5 == 0: print('FizzBuzz') elif num % 3 == 0: print('Fizz') elif num % 5 == 0: print('Buzz') else: print(num) return num with tf.Graph().as_default(): # The result works like a regular op: takes tensors in, returns tensors. # You can inspect the graph using tf.get_default_graph().as_graph_def() num = tf.placeholder(tf.int32) result = fizzbuzz(num) with tf.Session() as sess: for n in range(10,16): sess.run(result, feed_dict={num:n}) 

原文发布时间为：2018-07-26
本文作者：专知
本文来自云栖社区合作伙伴“专知”，了解相关信息可以关注“专知”