小編這次要給大家分享的是什么是tensorflow2.0的函數簽名與圖結構，文章內容豐富，感興趣的小伙伴可以來了解一下，希望大家閱讀完這篇文章之后能夠有所收獲。
input_signature的好處：
1.可以限定函數的輸入類型，以防止調用函數時調錯，
2．一個函數有了input_signature之后，在tensorflow里邊才可以保存成savedmodel。在保存成savedmodel的過程中，需要使用get_concrete_function函數把一個tf.function標注的普通的python函數變成帶有圖定義的函數。
下面的代碼具體體現了input_signature可以限定函數的輸入類型這一作用。
@tf.function(input_signature=[tf.TensorSpec([None], tf.int32, name='x')]) def cube(z): #實現輸入的立方 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])))
輸出：
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
note:首先說明，下面介紹的函數在模型構建、模型訓練的過程中不會用到，下面介紹的函數主要用在兩個地方：1、如何保存模型 2、保存好模型后，如何載入進來。
可以給 由@tf.function標注的普通的python函數，給它加上input_signature, 從而讓這個python函數變成一個可以保存的tensorflow圖結構（SavedModel）
舉例說明函數的用法：
@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的類型 print(cube_func_int32)
輸出：
<tensorflow.python.eager.function.ConcreteFunction object at 0x00000240E29695C0>
從輸出結果可以看到：調用get_concrete_function函數后，輸出的是一個ConcreteFunction對象
#看用新參數獲得的對象與原來的對象是否一樣 print(cube_func_int32 is cube.get_concrete_function( tf.TensorSpec([5], tf.int32))) #輸入大小為5 print(cube_func_int32 is cube.get_concrete_function( tf.constant([1, 2, 3]))) #傳具體數據
輸出：
True
True
cube_func_int32.graph #圖定義
輸出：
[<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)
輸出：
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))
輸出：
[<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")
輸出：
<tf.Operation 'x' type=Placeholder>
cube_func_int32.graph.get_tensor_by_name("x:0") #默認加“：0”
<tf.Tensor 'x:0' shape=(None,) dtype=int32>
cube_func_int32.graph.as_graph_def() #總名字，針對上面兩個
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
}看完這篇關于什么是tensorflow2.0的函數簽名與圖結構的文章，如果覺得文章內容寫得不錯的話，可以把它分享出去給更多人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
