如何从给定模型获取 Graph（或 GraphDef）？

Question

我有一个使用 Tensorflow 2 和 Keras 定义的大模型。该模型在 Python 中运行良好。现在，我想将它导入到 C++ 项目中。

在我的 C++ 项目中，我使用TF_GraphImportGraphDef函数。*.pb如果我使用以下代码准备文件，效果很好：

    with open('load_model.pb', 'wb') as f:
        f.write(tf.compat.v1.get_default_graph().as_graph_def().SerializeToString())

我已经在使用 Tensorflow 1 （使用 tf.compat.v1.* 函数）编写的简单网络上尝试了此代码。效果很好。

现在我想将我的大模型（开头提到的，使用 Tensorflow 2 编写的）导出到 C++ 项目中。为此，我需要从模型中获取一个Graphor对象。GraphDef问题是：如何做到这一点？我没有找到任何属性或函数来获取它。

我还尝试使用来tf.saved_model.save(model, 'model')保存整个模型。它生成一个包含不同文件的目录，包括saved_model.pbfile. 不幸的是，当我尝试使用TF_GraphImportGraphDef函数在 C++ 中加载此文件时，程序抛出异常。

Answer 1

生成的协议缓冲区文件tf.saved_model.save不包含GraphDef消息，而是包含SavedModel. 您可以在 Python 中遍历它SavedModel以获取其中的嵌入图，但这不会立即作为冻结图工作，因此正确处理可能会很困难。相反，C++ API 现在包含一个LoadSavedModel调用，允许您从目录加载整个保存的模型。它应该看起来像这样：

#include <iostream>
#include <...>  // Add necessary TF include directives

using namespace std;
using namespace tensorflow;

int main()
{
    // Path to saved model directory
    const string export_dir = "...";
    // Load model
    Status s;
    SavedModelBundle bundle;
    SessionOptions session_options;
    RunOptions run_options;
    s = LoadSavedModel(session_options, run_options, export_dir,
                       // default "serve" tag set by tf.saved_model.save
                       {"serve"}, &bundle));
    if (!.ok())
    {
        cerr << "Could not load model: " << s.error_message() << endl;
        return -1;
    }
    // Model is loaded
    // ...
    return 0;
}

从这里开始，您可以做不同的事情。也许您会最舒服地使用 将该保存的模型转换为冻结图FreezeSavedModel，这应该允许您执行与之前执行的操作几乎相同的操作：

GraphDef frozen_graph_def;
std::unordered_set<string> inputs;
std::unordered_set<string> outputs;
s = FreezeSavedModel(bundle, &frozen_graph_def,
                     &inputs, &outputs));
if (!s.ok())
{
    cerr << "Could not freeze model: " << s.error_message() << endl;
    return -1;
}

否则，您可以直接使用保存的模型对象：

// Default "serving_default" signature name set by tf.saved_model_save
const SignatureDef& signature_def = bundle.GetSignatures().at("serving_default");
// Get input and output names (different from layer names)
// Key is input and output layer names
const string input_name = signature_def.inputs().at("my_input").name();
const string output_name = signature_def.inputs().at("my_output").name();
// Run model
Tensor input = ...;
std::vector<Tensor> outputs;
s = bundle.session->Run({{input_name, input}}, {output_name}, {}, &outputs));
if (!s.ok())
{
    cerr << "Error running model: " << s.error_message() << endl;
    return -1;
}
// Get result
Tensor& output = outputs[0];