tf.contrib.estimator.export_all_saved_models

Экспортирует запрошенные графики обучения/валидации/предсказания как отдельные SavedModel. (устарело)

tf.contrib.estimator.export_all_saved_models(
    estimator, export_dir_base, input_receiver_fn_map, assets_extra=None,
    as_text=False, checkpoint_path=None
)

См. tf.contrib.estimator.export_all_saved_models для текущей версии этой функции.

Для каждого режима, переданного через input_receiver_fn_map, этот метод создаёт новый граф, вызывая input_receiver_fn для получения признаков и меток Tensor. Далее, этот метод вызывает Estimator's model_fn в переданном режиме для генерации графа модели на основе этих признаков и меток, и восстанавливает заданный контрольный пункт (или, если его нет, последний контрольный пункт) в граф. Только один из режимов используется для сохранения переменных в SavedModel (порядок предпочтения: ОБУЧЕНИЕ, ВАЛИДАЦИЯ, затем ПРЕДСКАЗАНИЕ), таким образом, до трёх MetaGraphDefs сохраняются с одним набором переменных в одном каталоге SavedModel.

Для предсказания экспортируемые MetaGraphDef будут предоставлять по одному SignatureDef для каждого элемента словаря export_outputs, возвращённого модельной функцией model_fn, с использованием тех же ключей. Один из этих ключей всегда signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY, обозначающий, какая сигнатура будет обслуживаться, когда запрос обслуживания не указывает её. Для каждой сигнатуры выходы предоставляются соответствующими ExportOutputs, а входные данные всегда являются входными приемниками, предоставленными serving_input_receiver_fn.

Для обучения и валидации train_op хранится в дополнительном наборе коллекций, а потеря, метрики и прогнозы включаются в SignatureDef для рассматриваемого режима.

Дополнительные ресурсы могут быть записаны в SavedModel через аргумент assets_extra. Это должен быть словарь, где каждый ключ задаёт путь назначения (включая имя файла) относительно каталога assets.extra. Соответствующее значение задаёт полный путь исходного файла, который должен быть скопирован. Например, простой случай копирования одного файла без переименования задаётся как {'my_asset_file.txt': '/path/to/my_asset_file.txt'}.

Пример использования:

classifier = tf.estimator.LinearClassifier(
    feature_columns=[age, language])
classifier.train(input_fn=input_fn)

feature_spec = {
    'age': tf.placeholder(dtype=tf.int64),
    'language': array_ops.placeholder(dtype=tf.string)
}
label_spec = tf.placeholder(dtype=dtypes.int64)

train_rcvr_fn = tf.contrib.estimator.build_raw_supervised_input_receiver_fn(
    feature_spec, label_spec)

serve_rcvr_fn = tf.estimator.export.build_parsing_serving_input_receiver_fn(
    feature_spec)

rcvr_fn_map = {
    model_fn_lib.ModeKeys.TRAIN: train_rcvr_fn,
    model_fn_lib.ModeKeys.PREDICT: serve_rcvr_fn,
}

export_dir = tf.contrib.estimator.export_all_saved_models(
    classifier,
    export_dir_base='my_model/',
    input_receiver_fn_map=rcvr_fn_map)

# export_dir is a directory with SavedModels, which can be used for serving,
# analysis with TFMA, or directly loaded in.
with ops.Graph().as_default() as graph:
  with session.Session(graph=graph) as sess:
    loader.load(sess, [tag_constants.TRAINING], export_dir)
    weights = graph.get_tensor_by_name('linear/linear_model/age/weights')
    ...