我最近开始使用 Tensorflow，并尝试习惯 tf.estimator.Estimator 对象。我想做一些非常自然的先验事情：在训练了我的分类器之后，即 tf.estimator.Estimator 的实例（带有train方法），我想将其保存在文件中（无论扩展名如何），然后稍后重新加载以预测一些新数据的标签。由于官方文档建议使用 Estimator API，我想应该实现和记录同样重要的事情。
我在其他页面上看到这样做的方法是export_savedmodel (see 官方文档）但我根本不理解文档。没有说明如何使用此方法。论据是什么serving_input_fn？我从来没有遇到过它创建自定义估算器教程或我读过的任何教程。通过进行一些谷歌搜索，我发现大约一年前，估计器是使用其他类定义的（tf.contrib.learn.Estimator）并且看起来 tf.estimator.Estimator 正在重用以前的一些 API。但我在文档中没有找到关于它的明确解释。
有人可以给我一个玩具示例吗？或者解释一下如何定义/找到这个serving_input_fn?
那么如何再次加载训练好的分类器呢？
感谢您的帮助！
Edit:我发现不一定需要使用export_savemodel来保存模型。它实际上是自动完成的。然后，如果我们稍后定义一个具有相同 model_dir 参数的新估计器，它也会自动恢复以前的估计器，如下所示here.
正如您所了解的，估计器会在训练期间自动为您保存并恢复模型。如果您想将模型部署到现场（例如为 Tensorflow Serving 提供最佳模型），export_savemodel 可能会很有用。
这是一个简单的例子：
est.export_savedmodel(export_dir_base=FLAGS.export_dir, serving_input_receiver_fn=serving_input_fn)
def serving_input_fn():
inputs = {'features': tf.placeholder(tf.float32, [None, 128, 128, 3])}
return tf.estimator.export.ServingInputReceiver(inputs, inputs)
基本上serving_input_fn 负责用占位符替换数据集管道。在部署中，您可以将数据提供给此占位符，作为模型的输入以进行推理或预测。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
