如何为保存的估算器模型执行简单的CLI查询？

Question

我已成功培训了一个DNNC分类器来对文本进行分类(来自在线讨论板的帖子).我保存了模型,现在我想使用TensorFlow CLI对文本进行分类.

当我运行saved_model_cli show我保存的模型时,我得到这个输出:

saved_model_cli show --dir /my/model --tag_set serve --signature_def predict
The given SavedModel SignatureDef contains the following input(s):
  inputs['examples'] tensor_info:
      dtype: DT_STRING
      shape: (-1)
      name: input_example_tensor:0
The given SavedModel SignatureDef contains the following output(s):
  outputs['class_ids'] tensor_info:
      dtype: DT_INT64
      shape: (-1, 1)
      name: dnn/head/predictions/ExpandDims:0
  outputs['classes'] tensor_info:
      dtype: DT_STRING
      shape: (-1, 1)
      name: dnn/head/predictions/str_classes:0
  outputs['logistic'] tensor_info:
      dtype: DT_FLOAT
      shape: (-1, 1)
      name: dnn/head/predictions/logistic:0
  outputs['logits'] tensor_info:
      dtype: DT_FLOAT
      shape: (-1, 1)
      name: dnn/logits/BiasAdd:0
  outputs['probabilities'] tensor_info:
      dtype: DT_FLOAT
      shape: (-1, 2)
      name: dnn/head/predictions/probabilities:0
Method name is: tensorflow/serving/predict

我无法弄清楚saved_model_cli run获得预测的正确参数.

我尝试了几种方法,例如:

saved_model_cli run --dir /my/model --tag_set serve --signature_def predict --input_exprs='examples=["klassifiziere mich bitte"]'

这给了我这个错误信息:

InvalidArgumentError (see above for traceback): Could not parse example input, value: 'klassifiziere mich bitte'
 [[Node: ParseExample/ParseExample = ParseExample[Ndense=1, Nsparse=0, Tdense=[DT_STRING], dense_shapes=[[1]], sparse_types=[], _device="/job:localhost/replica:0/task:0/device:CPU:0"](_arg_input_example_tensor_0_0, ParseExample/ParseExample/names, ParseExample/ParseExample/dense_keys_0, ParseExample/ParseExample/names)]]

将输入字符串传递给CLI以获取分类的正确方法是什么？

您可以在GitHub上找到我的项目代码,包括培训数据:https://github.com/pahund/beitragstuev

我正在构建并保存我的模型(简化,请参阅GitHub获取原始代码):

embedded_text_feature_column = hub.text_embedding_column(
    key="sentence",
    module_spec="https://tfhub.dev/google/nnlm-de-dim128/1")
feature_columns = [embedded_text_feature_column]
estimator = tf.estimator.DNNClassifier(
    hidden_units=[500, 100],
    feature_columns=feature_columns,
    n_classes=2,
    optimizer=tf.train.AdagradOptimizer(learning_rate=0.003))
feature_spec = tf.feature_column.make_parse_example_spec(feature_columns)
serving_input_receiver_fn = tf.estimator.export.build_parsing_serving_input_receiver_fn(feature_spec)
estimator.export_savedmodel(export_dir_base="/my/dir/base", serving_input_receiver_fn=serving_input_receiver_fn)

Answer 1

在ServingInputReceiver你创建的模型导出告诉保存的模型期待连载tf.ExamplePROTOS，而不是要分类的原始字符串。

从“保存和还原”文档中：

典型的模式是推理请求以序列化的tf.Examples的形式到达，因此serving_input_receiver_fn（）创建了一个单个字符串占位符来接收它们。然后serving_input_receiver_fn（）还负责对tf.Examples进行解析，方法是在图形上添加tf.parse_example op。

....

tf.estimator.export.build_parsing_serving_input_receiver_fn实用程序功能为常见情况提供该输入接收器。

因此，导出的模型包含一个tf.parse_exampleop，期望接收tf.Example满足传递给您的功能规范的序列化原型build_parsing_serving_input_receiver_fn，即在您的情况下，它期望具有该功能的序列化示例sentence。要使用模型进行预测，您必须提供那些序列化的原型。

幸运的是，Tensorflow使构建它们变得相当容易。这是一个可能的函数，用于返回将examples输入键映射到一批字符串的表达式，然后可以将其传递到CLI：

import tensorflow as tf

def serialize_example_string(strings):

  serialized_examples = []
  for s in strings:
    try:
      value = [bytes(s, "utf-8")]
    except TypeError:  # python 2
      value = [bytes(s)]

    example = tf.train.Example(
                features=tf.train.Features(
                  feature={
                    "sentence": tf.train.Feature(bytes_list=tf.train.BytesList(value=value))
                  }
                )
              )
    serialized_examples.append(example.SerializeToString())

  return "examples=" + repr(serialized_examples).replace("'", "\"")

因此，请使用从示例中提取的一些字符串：

strings = ["klassifiziere mich bitte",
           "Das Paket „S Line Competition“ umfasst unter anderem optische Details, eine neue Farbe (Turboblau), 19-Zöller und LED-Lampen.",
           "(pro Stimme geht 1 Euro Spende von Pfuscher ans Forum) ah du sack, also so gehts ja net :D:D:D"]

print (serialize_example_string(strings))

CLI命令为：

saved_model_cli run --dir /path/to/model --tag_set serve --signature_def predict --input_exprs='examples=[b"\n*\n(\n\x08sentence\x12\x1c\n\x1a\n\x18klassifiziere mich bitte", b"\n\x98\x01\n\x95\x01\n\x08sentence\x12\x88\x01\n\x85\x01\n\x82\x01Das Paket \xe2\x80\x9eS Line Competition\xe2\x80\x9c umfasst unter anderem optische Details, eine neue Farbe (Turboblau), 19-Z\xc3\xb6ller und LED-Lampen.", b"\np\nn\n\x08sentence\x12b\n`\n^(pro Stimme geht 1 Euro Spende von Pfuscher ans Forum) ah du sack, also so gehts ja net :D:D:D"]'

这应该给您想要的结果：

Result for output key class_ids:
[[0]
 [1]
 [0]]
Result for output key classes:
[[b'0']
 [b'1']
 [b'0']]
Result for output key logistic:
[[0.05852016]
 [0.88453305]
 [0.04373989]]
Result for output key logits:
[[-2.7780817]
 [ 2.0360758]
 [-3.0847695]]
Result for output key probabilities:
[[0.94147986 0.05852016]
 [0.11546692 0.88453305]
 [0.9562601  0.04373989]]