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“

”