input_signature的好處:
1.可以限定函式的輸入型別,以防止呼叫函式時調錯,
2.一個函式有了input_signature之後,在tensorflow裡邊才可以儲存成savedmodel。在儲存成savedmodel的過程中,需要使用get_concrete_function函式把一個tf.function標註的普通的python函式變成帶有圖定義的函式。
下面的程式碼具體體現了input_signature可以限定函式的輸入型別這一作用。
@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,下面介紹的函式在模型構建、模型訓練的過程中不會用到,下面介紹的函式主要用在兩個地方:1、如何儲存模型 2、儲存好模型後,如何載入進來。
可以給 由@tf.function標註的普通的python函式,給它加上input_signature, 從而讓這個python函式變成一個可以儲存的tensorflow圖結構(SavedModel)
舉例說明函式的用法:
@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的型別 print(cube_func_int32)
輸出:
從輸出結果可以看到:呼叫get_concrete_function函式後,輸出的是一個ConcreteFunction物件
#看用新引數獲得的物件與原來的物件是否一樣 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]))) #傳具體資料
輸出:
True
True
cube_func_int32.graph #圖定義
輸出:
[
[lousu-xi ] tensorflow2.0的函式簽名與圖結構已經有323次圍觀