1. 程式人生 > >###好好好####Tensorflow將模型匯出為一個檔案及介面設定

###好好好####Tensorflow將模型匯出為一個檔案及介面設定

    在用PMML實現機器學習模型的跨平臺上線中,我們討論了使用PMML檔案來實現跨平臺模型上線的方法,這個方法當然也適用於tensorflow生成的模型,但是由於tensorflow模型往往較大,使用無法優化的PMML檔案大多數時候很笨拙,因此本文我們專門討論下tensorflow機器學習模型的跨平臺上線的方法。

1. tensorflow模型的跨平臺上線的備選方案

    tensorflow模型的跨平臺上線的備選方案一般有三種:即PMML方式,tensorflow serving方式,以及跨語言API方式。

    PMML方式的主要思路在上一篇以及講過。這裡唯一的區別是轉化生成PMML檔案需要用一個Java庫

jpmml-tensorflow來完成,生成PMML檔案後,跨語言載入模型和其他PMML模型檔案基本類似。

    tensorflow serving是tensorflow 官方推薦的模型上線預測方式,它需要一個專門的tensorflow伺服器,用來提供預測的API服務。如果你的模型和對應的應用是比較大規模的,那麼使用tensorflow serving是比較好的使用方式。但是它也有一個缺點,就是比較笨重,如果你要使用tensorflow serving,那麼需要自己搭建serving叢集並維護這個叢集。所以為了一個小的應用去做這個工作,有時候會覺得麻煩。

    跨語言API方式是本文要討論的方式,它會用tensorflow自己的Python API生成模型檔案,然後用tensorflow的客戶端庫比如Java或C++庫來做模型的線上預測。下面我們會給一個生成生成模型檔案並用tensorflow Java API來做線上預測的例子。

2. 訓練模型並生成模型檔案

    我們這裡給一個簡單的邏輯迴歸並生成邏輯迴歸tensorflow模型檔案的例子。

    完整程式碼參見我的github:https://github.com/ljpzzz/machinelearning/blob/master/model-in-product/tensorflow-java

    首先,我們生成了一個6特徵,3分類輸出的4000個樣本資料。

複製程式碼

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets.samples_generator import make_classification
import tensorflow as tf
X1, y1 = make_classification(n_samples=4000, n_features=6, n_redundant=0,
                             n_clusters_per_class=1, n_classes=3)

複製程式碼

    接著我們構建tensorflow的資料流圖,這裡要注意裡面的兩個名字,第一個是輸入x的名字input,第二個是輸出prediction_labels的名字output,這裡的這兩個名字可以自己取,但是後面會用到,所以要保持一致。

複製程式碼

learning_rate = 0.01
training_epochs = 600
batch_size = 100

x = tf.placeholder(tf.float32, [None, 6],name='input') # 6 features
y = tf.placeholder(tf.float32, [None, 3]) # 3 classes

W = tf.Variable(tf.zeros([6, 3]))
b = tf.Variable(tf.zeros([3]))

# softmax迴歸
pred = tf.nn.softmax(tf.matmul(x, W) + b, name="softmax") 
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

prediction_labels = tf.argmax(pred, axis=1, name="output")

init = tf.global_variables_initializer()

複製程式碼

    接著就是訓練模型了,程式碼比較簡單,畢竟只是一個演示:

複製程式碼

sess = tf.Session()
sess.run(init)
y2 = tf.one_hot(y1, 3)
y2 = sess.run(y2)

for epoch in range(training_epochs):

    _, c = sess.run([optimizer, cost], feed_dict={x: X1, y: y2})
    if (epoch+1) % 10 == 0:
        print ("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c))
    
print ("優化完畢!")
correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y2, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
acc = sess.run(accuracy, feed_dict={x: X1, y: y2})
print (acc)

複製程式碼

    列印輸出我這裡就不寫了,大家可以自己去試一試。接著就是關鍵的一步,存模型檔案了,注意要用convert_variables_to_constants這個API來儲存模型,否則模型引數不會隨著模型圖一起存下來。

graph = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, ["output"])
tf.train.write_graph(graph, '.', 'rf.pb', as_text=False)

    至此,我們的模型檔案rf.pb已經被儲存下來了,下面就是要跨平臺上線了。 

3. 模型檔案在Java平臺上線

    這裡我們以Java平臺的模型上線為例,C++的API上線我沒有用過,這裡就不寫了。我們需要引入tensorflow的java庫到我們工程的maven或者gradle檔案。這裡給出maven的依賴如下,版本可以根據實際情況選擇一個較新的版本。

        <dependency>
            <groupId>org.tensorflow</groupId>
            <artifactId>tensorflow</artifactId>
            <version>1.7.0</version>
        </dependency>

    接著就是程式碼了,這個程式碼會比JPMML的要簡單,我給出了4個測試樣本的預測例子如下,一定要注意的是裡面的input和output要和訓練模型的時候對應的節點名字一致。

複製程式碼

import org.tensorflow.*;
import org.tensorflow.Graph;

import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Paths;


/**
 * Created by 劉建平pinard on 2018/7/1.
 */
public class TFjavaDemo {
    public static void main(String args[]){
        byte[] graphDef = loadTensorflowModel("D:/rf.pb");
        float inputs[][] = new float[4][6];
        for(int i = 0; i< 4; i++){
            for(int j =0; j< 6;j++){
                if(i<2) {
                    inputs[i][j] = 2 * i - 5 * j - 6;
                }
                else{
                    inputs[i][j] = 2 * i + 5 * j - 6;
                }
            }
        }
        Tensor<Float> input = covertArrayToTensor(inputs);
        Graph g = new Graph();
        g.importGraphDef(graphDef);
        Session s = new Session(g);
        Tensor result = s.runner().feed("input", input).fetch("output").run().get(0);

        long[] rshape = result.shape();
        int rs = (int) rshape[0];
        long realResult[] = new long[rs];
        result.copyTo(realResult);

        for(long a: realResult ) {
            System.out.println(a);
        }
    }
    static private byte[] loadTensorflowModel(String path){
        try {
            return Files.readAllBytes(Paths.get(path));
        } catch (IOException e) {
            e.printStackTrace();
        }
        return null;
    }

    static private Tensor<Float> covertArrayToTensor(float inputs[][]){
        return Tensors.create(inputs);
    }
}

複製程式碼

    我的預測輸出是1,1,0,0,供大家參考。

4. 一點小結

    對於tensorflow來說,模型上線一般選擇tensorflow serving或者client API庫來上線,前者適合於較大的模型和應用場景,後者則適合中小型的模型和應用場景。因此演算法工程師使用在產品之前需要做好選擇和評估。

 

在上一篇文章中《Tensorflow載入預訓練模型和儲存模型》,我們學習到如何使用預訓練的模型。但注意到,在上一篇文章中使用預訓練模型,必須至少的要4個檔案:

checkpoint
MyModel.meta
MyModel.data-00000-of-00001
MyModel.index

這很不便於我們的使用。有沒有辦法匯出為一個pb檔案,然後直接使用呢?答案是肯定的。在文章《Tensorflow載入預訓練模型和儲存模型》中提到,meta檔案儲存圖結構,weights等引數儲存在data檔案中。也就是說,圖和引數資料時分開儲存的。說的更直白一點,就是meta檔案中沒有weights等資料。但是,值得注意的是,meta檔案會儲存常量。我們只需將data檔案中的引數轉為meta檔案中的常量即可!
1 模型匯出為一個檔案
1.1 有程式碼並且從頭開始訓練

Tensorflow提供了工具函式tf.graph_util.convert_variables_to_constants()用於將變數轉為常量。看看官網的描述:

    if you have a trained graph containing Variable ops, it can be convenient to convert them all to Const ops holding the same values. This makes it possible to describe the network fully with a single GraphDef file, and allows the removal of a lot of ops related to loading and saving the variables.

我們繼續通過一個簡單例子開始:

import tensorflow as tf

w1 = tf.Variable(20.0, name="w1")
w2 = tf.Variable(30.0, name="w2")
b1= tf.Variable(2.0,name="bias")
w3 = tf.add(w1,w2)

#記住要定義name,後面需要用到
out = tf.multiply(w3,b1,name="out")

# 轉換Variable為constant,並將網路寫入到檔案
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # 這裡需要填入輸出tensor的名字
    graph = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, ["out"])
    tf.train.write_graph(graph, '.', './checkpoint_dir/graph.pb', as_text=False)

執行可以看到如下日誌:

Converted 3 variables to const ops.

    1

可以看到通過tf.graph_util.convert_variables_to_constants()函式將變數轉為了常量,並存儲在graph.pb檔案中,接下來看看如何使用這個模型。

import tensorflow as tf
with tf.Session() as sess:
    with open('./checkpoint_dir/graph.pb', 'rb') as graph:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(graph.read())
        output = tf.import_graph_def(graph_def, return_elements=['out:0'])
        print(sess.run(output))

執行結果如下:

[100.0]

回到tf.graph_util.convert_variables_to_constants()函式,可以看到,需要傳入Session物件和圖,這都可以理解。看看第三個引數["out"],它是指定這個模型的輸出Tensor。
1.2 有程式碼和模型,但是不想重新訓練模型

有模型原始碼時,在匯出模型時就可以通過tf.graph_util.convert_variables_to_constants()函式來將變數轉為常量儲存到圖檔案中。但是很多時候,我們拿到的是別人的checkpoint檔案,即meta、index、data等檔案。這種情況下,需要將data檔案裡面變數轉為常量儲存到meta檔案中。思路也很簡單,先將checkpoint檔案載入,再重新儲存一次即可。

假設訓練和儲存模型程式碼如下:

import tensorflow as tf

w1 = tf.Variable(20.0, name="w1")
w2 = tf.Variable(30.0, name="w2")
b1= tf.Variable(2.0,name="bias")
w3 = tf.add(w1,w2)

#記住要定義name,後面需要用到
out = tf.multiply(w3,b1,name="out")

# 轉換Variable為constant,並將網路寫入到檔案
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    saver = tf.train.Saver()
    # 這裡需要填入輸出tensor的名字
    saver.save(sess, './checkpoint_dir/MyModel', global_step=1000)

此時,模型檔案如下:

checkpoint
MyModel-1000.data-00000-of-00001
MyModel-1000.index
MyModel-1000.meta

如果我們只有以上4個模型檔案,但是可以看到訓練原始碼。那麼,將這4個檔案匯出為一個pb檔案方法如下:

import tensorflow as tf
with tf.Session() as sess:

    #初始化變數
    sess.run(tf.global_variables_initializer())

    #獲取最新的checkpoint,其實就是解析了checkpoint檔案
    latest_ckpt = tf.train.latest_checkpoint("./checkpoint_dir")

    #載入圖
    restore_saver = tf.train.import_meta_graph('./checkpoint_dir/MyModel-1000.meta')

    #恢復圖,即將weights等引數加入圖對應位置中
    restore_saver.restore(sess, latest_ckpt)

    #將圖中的變數轉為常量
    output_graph_def = tf.graph_util.convert_variables_to_constants(
        sess, sess.graph_def , ["out"])
    #將新的圖儲存到"/pretrained/graph.pb"檔案中
    tf.train.write_graph(output_graph_def, 'pretrained', "graph.pb", as_text=False)

執行後,會有如下日誌:

Converted 3 variables to const ops.

    1

接下來就是使用,使用方法跟前面一致:

import tensorflow as tf
with tf.Session() as sess:
    with open('./pretrained/graph.pb', 'rb') as graph:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(graph.read())
        output = tf.import_graph_def(graph_def, return_elements=['out:0'])
        print(sess.run(output))

列印資訊如下:

[100.0]

    1

2 模型介面設定

我們注意到,前面只是簡單的獲取一個輸出介面,但是很明顯,我們使用的時候,不可能只有一個輸出,還需要有輸入,接下來我們看看,如何設定輸入和輸出。同樣我們分為有程式碼並且從頭開始訓練,和有程式碼和模型,但是不想重新訓練模型兩種情況。
2.1 有程式碼並且從頭開始訓練

相比1.1中的程式碼略作修改即可,第6行程式碼處做了修改:

import tensorflow as tf

w1 = tf.Variable(20.0, name="w1")
w2 = tf.Variable(30.0, name="w2")

#這裡將b1改為placeholder,讓使用者輸入,而不是寫死
#b1= tf.Variable(2.0,name="bias")
b1= tf.placeholder(tf.float32, name='bias')

w3 = tf.add(w1,w2)

#記住要定義name,後面需要用到
out = tf.multiply(w3,b1,name="out")

# 轉換Variable為constant,並將網路寫入到檔案
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # 這裡需要填入輸出tensor的名字
    graph = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, ["out"])
    tf.train.write_graph(graph, '.', './checkpoint_dir/graph.pb', as_text=False)

日誌如下:

Converted 2 variables to const ops.

    1

接下來看看如何使用:

import tensorflow as tf
with tf.Session() as sess:
    with open('./checkpoint_dir/graph.pb', 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        output = tf.import_graph_def(graph_def, input_map={'bias:0':4.}, return_elements=['out:0'])
        print(sess.run(output))

列印資訊如下:

[200.0]

也就是說,在設定輸入時,首先將需要輸入的資料作為placeholdler,然後在匯入圖tf.import_graph_def()時,通過引數input_map={}來指定輸入。輸出通過return_elements=[]直接引用tensor的name即可。
2.2 有程式碼和模型,但是不想重新訓練模型

在有程式碼和模型,但是不想重新訓練模型情況下,意味著我們不能直接修改匯出模型的程式碼。但是我們可以通過graph.get_tensor_by_name()函式取得圖中的某些中間結果,然後再加入一些邏輯。其實這種情況在上一篇文章已經講了。可以參考上一篇檔案解決,相比“有程式碼並且從頭開始訓練”情況侷限比較大,大部分情況只能是獲取模型的一些中間結果,但是也滿足我們大多數情況使用了。