Python tf.keras.Sequential.save_spec用法及代码示例

用法

save_spec(
    dynamic_batch=True
)

参数

dynamic_batch 是否将所有返回的 tf.TensorSpec 的批量大小设置为 None 。 (请注意，使用 tf.keras.Input([...], batch_size=X) 定义函数或顺序模型时，将始终保留批量大小)。默认为 True 。

如果定义了模型输入，则返回一个元组 (args, kwargs) 。 args 和 kwargs 中的所有元素都是 tf.TensorSpec 。如果未定义模型输入，则返回 None 。调用模型时会自动设置模型输入 model.fit , model.evaluate 或 model.predict 。

以元组 (args, kwargs) 的形式返回调用输入的 tf.TensorSpec。

该值在第一次调用模型后自动定义。之后，您可以在导出模型以供服务时使用它：

model = tf.keras.Model(...)

@tf.function
def serve(*args, **kwargs):
  outputs = model(*args, **kwargs)
  # Apply postprocessing steps, or add additional outputs.
  ...
  return outputs

# arg_specs is `[tf.TensorSpec(...), ...]`. kwarg_specs, in this example, is
# an empty dict since functional models do not use keyword arguments.
arg_specs, kwarg_specs = model.save_spec()

model.save(path, signatures={
  'serving_default':serve.get_concrete_function(*arg_specs, **kwarg_specs)
})

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.keras.Sequential.save_spec。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。