Keras(十) TF函数签名与图结构

本文将介绍如下内容：

• TF函数签名
• 图结构

TF函数中的input_signature的作用:
1，签名(确定传入的参数是符合要求的)。
2，有input_signature后,才能在tf中保存成TF图解钩-SaveModel。

一，TF函数签名

函数签名由函数原型组成。它告诉你的是关于函数的一般信息，它的名称，参数，它的范围以及其他杂项信息。可以确定传入的参数是符合要求的。

我们使用input_signature对tf.function修饰的函数进行数字签名；

tf.TensorSpec ( shape, dtype=tf.dtypes.float32, name=None )

tf.TensorSpec() :#TensorSpec: 描述一个张量。

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf
from tensorflow import keras

# 1,打印使用的python库的版本信息
print(tf.__version__)
print(sys.version_info)
for module in mpl, np, pd, sklearn, tf, keras:
    print(module.__name__, module.__version__)

# 2,TF函数的签名机制
@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])))

#---output-------
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)

二，图结构

对于被tf.function修饰过的函数都有get_concrete_function的属性，可以使用@tf.function()对函数添加函数签名，从而获取特定追踪。通过增加函数签名之后才能够将模型保存。

1，获取被tf.function修饰过的函数的get_concrete_function属性

# @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))
print(cube_func_int32)

# tf.TensorSpec()中可以携带参数，且类型属性不变
print(cube_func_int32 is cube.get_concrete_function(tf.TensorSpec([5], tf.int32)))
print(cube_func_int32 is cube.get_concrete_function(tf.constant([1, 2, 3])))

#----output------
<tensorflow.python.eager.function.ConcreteFunction object at 0x7f7553345240>
True
True

2，获取被装饰函数get_concrete_function属性中的图结构对象

print(cube_func_int32.graph)

#---output-----
FuncGraph(name=cube, id=140141878427488)

3，获取被装饰函数get_concrete_function属性中的图结构所有的op节点

1）所有的op节点如下：

print(cube_func_int32.graph.get_operations())

#---output-----
[<tf.Operation 'x' type=Placeholder>, <tf.Operation 'Pow/y' type=Const>, <tf.Operation 'Pow' type=Pow>, <tf.Operation 'Identity' type=Identity>]

2）其中具体op节点信息如下：

pow_op = cube_func_int32.graph.get_operations()[2]
print(pow_op)

#---output------------
name: "Pow"
op: "Pow"
input: "x"
input: "Pow/y"
attr {
  key: "T"
  value {
    type: DT_INT32
  }
}

4，通过节点名称、tensor名称获取节点对象

# 通过节点名称获取节点对象
print(cube_func_int32.graph.get_operation_by_name("x"))

# 通过tensor名称获取节点对象
print(cube_func_int32.graph.get_tensor_by_name("x:0"))

#---output-----------
name: "x"
op: "Placeholder"
attr {
  key: "_user_specified_name"
  value {
    s: "x"
  }
}
attr {
  key: "dtype"
  value {
    type: DT_INT32
  }
}
attr {
  key: "shape"
  value {
    shape {
      dim {
        size: -1
      }
    }
  }
}

Tensor("x:0", shape=(None,), dtype=int32)

5，获取所有的图结构信息

print(cube_func_int32.graph.as_graph_def())

#---output-----
node {
  name: "x"
  op: "Placeholder"
  attr {
    key: "_user_specified_name"
    value {
      s: "x"
    }
  }
  attr {
    key: "dtype"
    value {
      type: DT_INT32
    }
  }
  attr {
    key: "shape"
    value {
      shape {
        dim {
          size: -1
        }
      }
    }
  }
}
node {
  name: "Pow/y"
  op: "Const"
  attr {
    key: "dtype"
    value {
      type: DT_INT32
    }
  }
  attr {
    key: "value"
    value {
      tensor {
        dtype: DT_INT32
        tensor_shape {
        }
        int_val: 3
      }
    }
  }
}
node {
  name: "Pow"
  op: "Pow"
  input: "x"
  input: "Pow/y"
  attr {
    key: "T"
    value {
      type: DT_INT32
    }
  }
}
node {
  name: "Identity"
  op: "Identity"
  input: "Pow"
  attr {
    key: "T"
    value {
      type: DT_INT32
    }
  }
}
versions {
  producer: 175
}