导出 SavedModel 以执行预测

如需将经过训练的模型部署到 AI Platform Prediction 并使用它们来执行预测，您必须先以 TensorFlow SavedModel 格式导出这些模型。

本页面概述了在创建 SavedModel 时需要考虑的一些重要事项。如需详细了解如何导出到 SavedModel，请参阅有关 SavedModel 的 TensorFlow 指南和有关保存 Keras 模型的 TensorFlow 指南。如需详细了解如何将 SavedModel 部署到 AI Platform Prediction 以执行预测，请参阅模型部署指南。如需了解有关预测过程的一般背景信息，请参阅预测概览页面。

自定义预测例程

您还可以创建和部署自定义预测例程来替代部署 SavedModel。自定义预测例程可以将 SavedModel（或采用不同保存方式的经过训练的模型）与您提供的其他训练工件和 Python 代码相结合，以自定义 AI Platform Prediction 处理预测请求的方式。例如，您可以利用这样的灵活性，在您的模型执行预测之前预处理预测输入。

如需了解详情，请参阅自定义预测例程指南。

了解训练图和应用图

如果您已经训练了模型并已将其导出为 SavedModel，则必须首先采取一些重要步骤，之后才能准备好执行预测。

训练图与应用图之间存在一些关键差异。训练图表包含一些不适合传送的功能，例如：

  • 文件阅读器
  • 输入队列
  • 漏失层
  • 损失函数
  • 优化器

由于传送预测的过程与训练过程的需求不同，因此最佳做法是导出单独的图表，专门用于传送预测。

了解 SavedModel

SavedModel 是 TensorFlow 推荐的模型保存格式，它是在 AI Platform Prediction 上部署经过训练的 TensorFlow 模型时所需的格式。将经过训练的模型导出为 SavedModel 时，系统会将您的训练图及其资产、变量和元数据以 AI Platform Prediction 可以为预测使用和恢复的格式加以保存。

导出 SavedModel 后，您会获得一个 SavedModel 目录，其中包含以下内容：

将 SavedModel 部署到 AI Platform Prediction 时，必须包含整个 SavedModel 目录，而不仅仅是包含训练图及其元数据的 SavedModel 协议缓冲区文件。此文件的扩展名通常为 .pb 或 .pbtxt。

SavedModel 允许您保存一个图的多个版本，这些版本共用同一些资产和变量（或检查点）。例如，您可能希望开发同一图的两个版本：一个版本在 CPU 上运行，另一个版本在 GPU 上运行。

详细了解 SavedModel 目录结构。

从各种 TensorFlow API 中导出

您可以通过多种方法从 TensorFlow 训练代码中导出 SavedModel。 以下列表介绍了适用于各种 TensorFlow API 的多种不同方式：

与 AI Explanations 的兼容性

如果您想将 AI Explanations 用于您的模型，请了解 SavedModel 的其他要求。

检查并调整模型大小

SavedModel 大小不得超过 500 MB 才能部署到使用旧版 (MLS1) 机器类型的模型版本中。如果您使用 Compute Engine (N1) 机器类型，则 SavedModel 大小最多为 10 GB。详细了解用于在线预测的机器类型。

此大小限制包括 SavedModel 目录中的所有资产和变量，而不仅仅是 SavedModel 协议缓冲文件本身（即 saved_model.pb 或 saved_model.pbtxt）。

要在开发期间检查模型大小，请导出 SavedModel 并检查目录的文件大小。

如果您的 SavedModel 大小超过 500 MB，可以采取以下措施：

按照这些步骤执行，即可让 SavedModel 缩小到 500 MB 以下，并减少预测的延迟时间。好处包括更高的性能，而且不必申请并等待配额增加。

如果您仍需要额外的配额，请参阅如何申请增加配额。

构建最优预测图

训练会产生多个检查点，而这些检查点不会用于传送预测。确保上传一个没有这些工件、仅包含要部署的模型的目录。

例如，如果您在 TensorBoard 的可视化训练过程中导出摘要，则需要确保它们未包含在 SavedModel 中。预测图不需要这些 TensorBoard 摘要。

通过降低精度缩小文件

降低变量和输入数据的精度是一种权衡之举，可以显著缩小模型的大小，但会有损预测精度。与低精度数据相比，高精度数据的存储效率较低。虽然低精度数据会造成噪声，但神经网络有可能“忽视”这种噪声，因而仍能产生相对准确的预测。

如果使用这些方法导致用例的预测准确率大幅降低，请尝试申请增加配额。

  • 通过减小权重的大小来缩小文件，权重默认为难以高效存储的浮点数字。这些低效存储的权重对于模型整体文件大小影响最大。

  • 对连续数据进行量化，以保证在不大幅降低精度的前提下，将模型的大小缩小多达 75%。

  • 使用精度较低的变量。例如，将数据类型 (dtype) 从 int64 更改为 int32。

  • 减小 SavedModel 目录的 assets 文件夹中其他输入特征的大小。例如，为文本数据使用较小的词汇量。

  • 详细了解有关优化 TensorFlow 模型以执行预测的技巧，并浏览应用这些技巧的示例。 仅当您使用 TensorFlow 1 时才能使用这些关联技术。

检查 SavedModel 和图的工具

TensorFlow 提供了一个命令行界面，可用于对 SavedModel 的某些方面（例如输入格式和 SignatureDefs）进行健全性检查。详细了解 SavedModel CLI。

TensorFlow 中的图转换工具可用于优化模型以进行部署。虽然此工具的用法是在移动部署环境中介绍的，但它也可用于优化非移动部署的模型。

创建应用输入函数

如果您使用 tf.keras.Model.save 导出 SavedModel，则无需指定应用输入函数。

否则，请在导出 SavedModel 时定义应用输入函数。您可以在整体训练过程中的以下几个时间点执行此操作：

  • 在训练过程结束时。
  • 在训练结束后将其作为一个单独的过程执行。

以下示例展示了如何为经过训练的 Estimator 执行此操作。如需详细了解，请参阅 Estimator 的应用输入函数。

在训练期间创建应用图

这通常发生在训练过程结束时，但仍然与训练相关。

  1. 定义传送输入函数。在您的函数中，确保特征的最外层维度为 None。这与您的批次大小相对应，下面在使用 tf.placeholder 定义特征字典中的项值时加以说明。以下示例代码来自我们的人口普查示例：

    def json_serving_input_fn():
    """Build the serving inputs."""
    inputs = {}
    for feat in featurizer.INPUT_COLUMNS:
        inputs[feat.name] = tf.placeholder(shape=[None], dtype=feat.dtype)

    return tf.estimator.export.ServingInputReceiver(inputs, inputs)

  2. 使用 tf.estimator.Estimator.export_saved_model 从您的 Estimator 中导出 SavedModel，并将模型路径和应用输入函数名称分别作为 export_dir_base 参数和 serving_input_fn 参数传入。在人口普查示例中，使用的 Estimator 类型是 tf.estimator.DNNLinearCombinedClassifier。

独立于训练创建应用图

如果您已经训练过模型，则可以在不重新训练的情况下获得预测。此过程与在训练期间创建传送图表的过程非常相似。主要区别在于，您是在训练结束后运行单独的 Python 脚本来创建应用图。基本思路是使用训练中所用的同一 model_dir 构建 Estimator，然后按照上一部分中所述调用 tf.estimator.Estimator.export_saved_model。

  1. 在 Python 脚本中定应用输入函数，方法类似于在训练中定义该函数的方式：

    def json_serving_input_fn():
    """Build the serving inputs."""
    inputs = {}
    for feat in featurizer.INPUT_COLUMNS:
        inputs[feat.name] = tf.placeholder(shape=[None], dtype=feat.dtype)

    return tf.estimator.export.ServingInputReceiver(inputs, inputs)

  2. 创建 Estimator 时，确保将 model_dir 参数设置为与训练中所用参数相同的值。这样一来，先前保存的模型中的检查点即可用于 Estimator。

  3. 最后，使用 Estimator 来调用 tf.estimator.Estimator.export_saved_model，并将模型路径和应用输入函数名称分别作为 export_dir_base 参数和 serving_input_fn 参数传入。

TensorFlow 标记和签名

如果您从 tf.keras 或从 TensorFlow Estimator 导出 SavedModel，则导出的图默认可以直接应用。

在其他情况下，构建 TensorFlow 预测图时，必须为图的标记和签名指定正确的值。TensorFlow 为这些标记和签名值提供常量，用于以下用途：

  • 在 SavedModel 中选择图表以传送预测
  • 指明您正在为预测图表构建预测签名

签名定义图的输入和输出。为预测图构建签名时，必须指定有效的签名常量作为 build_signature_def 中的 method_name 参数。对于预测，最好的选择通常是 PREDICT_METHOD_NAME。

您必须使用标记来指定 SavedModel 中的哪个图表用于提供预测结果。在 add_meta_graph_and_variables 中，在您的 tags 列表中添加 tag_constants.SERVING。

如需了解如何使用标记和签名的正确常量构建预测图，请参阅示例。

后续步骤