如何查看Tensorflow SavedModel格式模型的信息

在《Tensorflow SavedModel模型的保存與加載》一文中，我們談到SavedModel格式的優點是與語言無關、容易部署和加載。那問題來了，如果別人發佈了一個SavedModel模型，我們該如何去了解這個模型，如何去加載和使用這個模型呢？

理想的狀態是模型發佈者編寫出完備的文檔，給出示例代碼。但在很多情況下，我們只是得到了訓練好的模型，而沒有齊全的文檔，這個時候我們能否從模型本身上獲得一些信息呢？比如模型的輸入輸出、模型的結構等等。

答案是可以的。

查看模型的Signature簽名

這裏的簽名，並非是爲了保證模型不被修改的那種電子簽名。我的理解是類似於編程語言中模塊的輸入輸出信息，比如函數名，輸入參數類型，輸出參數類型等等。我們以《Tensorflow SavedModel模型的保存與加載》裏的代碼爲例，從語句：

signature = predict_signature_def(inputs={'myInput': x},
                                  outputs={'myOutput': y})

我們可以看到模型的輸入名爲myInput，輸出名爲myOutput。如果我們沒有源碼呢？

Tensorflow提供了一個工具，如果你下載了Tensorflow的源碼，可以找到這樣一個文件，./tensorflow/python/tools/saved_model_cli.py，你可以加上-h參數查看該腳本的幫助信息：

usage: saved_model_cli.py [-h] [-v] {show,run,scan} ...

saved_model_cli: Command-line interface for SavedModel

optional arguments:
  -h, --help       show this help message and exit
  -v, --version    show program's version number and exit

commands:
  valid commands

  {show,run,scan}  additional help

指定SavedModel模所在的位置，我們就可以顯示SavedModel的模型信息：

python $TENSORFLOW_DIR/tensorflow/python/tools/saved_model_cli.py show --dir ./model/ --all

結果爲：

MetaGraphDef with tag-set: 'serve' contains the following SignatureDefs:

signature_def['predict']:
  The given SavedModel SignatureDef contains the following input(s):
    inputs['myInput'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 784)
        name: myInput:0
  The given SavedModel SignatureDef contains the following output(s):
    outputs['myOutput'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 10)
        name: Softmax:0
  Method name is: tensorflow/serving/predict

從這裏我們可以清楚的看到模型的輸入/輸出的名稱、數據類型、shape以及方法名稱。有了這些信息，我們就可以很容易寫出推斷方法。

查看模型的計算圖

瞭解tensflow的人可能知道TensorBoard是一個非常強大的工具，能夠顯示很多模型信息，其中包括計算圖。問題是，TensorBoard需要模型訓練時的log，如果這個SavedModel模型是別人訓練好的呢？辦法也不是沒有，我們可以寫一段代碼，加載這個模型，然後輸出summary info，代碼如下：

import tensorflow as tf
import sys
from tensorflow.python.platform import gfile

from tensorflow.core.protobuf import saved_model_pb2
from tensorflow.python.util import compat

with tf.Session() as sess:
  model_filename ='./model/saved_model.pb'
  with gfile.FastGFile(model_filename, 'rb') as f:

    data = compat.as_bytes(f.read())
    sm = saved_model_pb2.SavedModel()
    sm.ParseFromString(data)

    if 1 != len(sm.meta_graphs):
      print('More than one graph found. Not sure which to write')
      sys.exit(1)

    g_in = tf.import_graph_def(sm.meta_graphs[0].graph_def)
LOGDIR='./logdir'
train_writer = tf.summary.FileWriter(LOGDIR)
train_writer.add_graph(sess.graph)
train_writer.flush()
train_writer.close()

代碼中，將彙總信息輸出到logdir，接着啓動TensorBoard，加上上面的logdir:

tensorboard --logdir ./logdir

在瀏覽器中輸入地址： http://127.0.0.1:6006/ ，就可以看到如下的計算圖：

小結

按照前面兩種方法，我們可以對Tensorflow SavedModel格式的模型有比較全面的瞭解，即使模型訓練者並沒有給出文檔。有了這些模型信息，相信你寫出使用模型進行推斷更加容易。

本文的完整代碼請參考：https://github.com/mogoweb/aiexamples/tree/master/tensorflow/saved_model

希望這篇文章對您有幫助，感謝閱讀！