这篇文章主要讲解了如何使用keras和tensorflow保存为可部署的pb格式,内容清晰明了,对此有兴趣的小伙伴可以学习一下,相信大家阅读完之后会有帮助。
Keras保存为可部署的pb格式
加载已训练好的.h6格式的keras模型
传入如下定义好的export_savedmodel()方法内即可成功保存
import keras import os import tensorflow as tf from tensorflow.python.util import compat from keras import backend as K def export_savedmodel(model): ''' 传入keras model会自动保存为pb格式 ''' model_path = "model/" # 模型保存的路径 model_version = 0 # 模型保存的版本 # 从网络的输入输出创建预测的签名 model_signature = tf.saved_model.signature_def_utils.predict_signature_def( inputs={'input': model.input}, outputs={'output': model.output}) # 使用utf-8编码将 字节或Unicode 转换为字节 export_path = os.path.join(compat.as_bytes(model_path), compat.as_bytes(str(model_version))) # 将保存路径和版本号join builder = tf.saved_model.builder.SavedModelBuilder(export_path) # 生成"savedmodel"协议缓冲区并保存变量和模型 builder.add_meta_graph_and_variables( # 将当前元图添加到savedmodel并保存变量 sess=K.get_session(), # 返回一个 session 默认返回tf的sess,否则返回keras的sess,两者都没有将创建一个全新的sess返回 tags=[tf.saved_model.tag_constants.SERVING], # 导出模型tag为SERVING(其他可选TRAINING,EVAL,GPU,TPU) clear_devices=True, # 清除设备信息 signature_def_map={ # 签名定义映射 tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY: # 默认服务签名定义密钥 model_signature # 网络的输入输出策创建预测的签名 }) builder.save() # 将"savedmodel"协议缓冲区写入磁盘. print("save model pb success ...") model = keras.models.load_model('model_data/weight.h6') # 加载已训练好的.h6格式的keras模型 export_savedmodel(model) # 将模型传入保存模型的方法内,模型保存成功.
网页题目:如何使用keras和tensorflow保存为可部署的pb格式-创新互联
标题URL:https://www.cdcxhl.com/article34/djdsse.html
成都网站建设公司_创新互联,为您提供做网站、移动网站建设、定制开发、企业建站、网站导航、面包屑导航
声明:本网站发布的内容(图片、视频和文字)以用户投稿、用户转载内容为主,如果涉及侵权请尽快告知,我们将会在第一时间删除。文章观点不代表本网站立场,如需处理请联系客服。电话:028-86922220;邮箱:631063699@qq.com。内容未经允许不得转载,或转载时需注明来源: 创新互联