本文共 3661 字，大约阅读时间需要 12 分钟。

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:

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 mplimport matplotlib.pyplot as pltimport numpy as npimport sklearnimport pandas as pdimport osimport sysimport timeimport tensorflow as tffrom 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 -> SavedModelcube_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------
   
    TrueTrue
   

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-----[
   
    , 
    
     , 
     
      , 
      
       ]
      
     
    
   

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}

转载地址：http://yvili.baihongyu.com/