Wie erstellt man ein SavedModel von einem TensorFlow Checkpoint oder Modell?

Question

Ich bekam einen TensorFlow Checkpoint und auch ein exportiertes Modell, aber um ein Modell mit Google ML Cloud zu bedienen, brauche ich eine saved_model.pbtxt Datei. Es scheint, dass ich den Prüfpunkt laden und SavedModelBuilder verwenden muss, aber SavedModelBuilder möchte ein Wörterbuch der Namen der Eingangs- und Ausgangsknoten.

Meine Frage ist, gibt es den Checkpoint oder das exportierte Modell (siehe unten), wie kann ich die Namen der Knoten finden, die benötigt werden, um die pbtxt Datei zu generieren, die ich über ML Cloud Service von Google diene?

checkpoint 
export.data-00000-of-00001 
export.index 
export.meta 
options.json 

Answer 1

Die export.meta sollte ein MetaGraphDef proto sein. Also sollten Sie in der Lage sein, das Proto zu analysieren, um die graph zu erhalten. Sie können dann die Knoten durchsuchen, um den Knoten von Interesse zu finden.

Etwas wie:

import argparse 
from tensorflow.core.protobuf import meta_graph_pb2 
import logging 

if __name__ == "__main__": 
    parser = argparse.ArgumentParser(
     description='Argument parser.') 
    parser.add_argument('--path', 
         required=True, 
         help='The path to the metadata graph file.') 
    args = parser.parse_args()      
    with open(args.path, 'r') as hf: 
    graph = meta_graph_pb2.MetaGraphDef.FromString(hf.read()) 
    print "graph: \n{0}".format(graph) 

Ich glaube, Sie auch in der Lage sein sollte, die Datei und TensorBoard enthält, machen Sie die Grafik auf das Verzeichnis zeigen TensorBoard und verwenden Sie die Namen der Eingabe/Ausgabe-Knoten zu identifizieren.