input_signature的好处：
1.可以限定函数的输入类型，以防止调用函数时调错，
2．一个函数有了input_signature之后，在tensorflow里边才可以保存成savedmodel。在保存成savedmodel的过程中，需要使用get_concrete_function函数把一个tf.function标注的普通的python函数变成带有图定义的函数。
下面的代码具体体现了input_signature可以限定函数的输入类型这一作用。
代码语言：javascript复制@tf.function(input_signature=[tf.TensorSpec([None], tf.int32, name='x')])
def cube(z): #实现输入的立方
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])))输出：
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)
get_concrete_function的使用
note:首先说明，下面介绍的函数在模型构建、模型训练的过程中不会用到，下面介绍的函数主要用在两个地方：1、如何保存模型 2、保存好模型后，如何载入进来。
可以给 由@tf.function标注的普通的python函数，给它加上input_signature, 从而让这个python函数变成一个可以保存的tensorflow图结构（SavedModel）
举例说明函数的用法：
代码语言：javascript复制@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])))
# @tf.function py func - tf graph
# get_concrete_function - add input signature - SavedModel
cube_func_int32 = cube.get_concrete_function(
tf.TensorSpec([None], tf.int32)) #tensorflow的类型
print(cube_func_int32)输出：
<tensorflow.python.eager.function.ConcreteFunction object at 0x00000240E29695C0
从输出结果可以看到：调用get_concrete_function函数后，输出的是一个ConcreteFunction对象
代码语言：javascript复制#看用新参数获得的对象与原来的对象是否一样
print(cube_func_int32 is cube.get_concrete_function(
tf.TensorSpec([5], tf.int32))) #输入大小为5
print(cube_func_int32 is cube.get_concrete_function(
tf.constant([1, 2, 3]))) #传具体数据输出：
True True
cube_func_int32.graph #图定义
输出：
代码语言：javascript复制[<tf.Operation 'x' type=Placeholder ,
<tf.Operation 'Pow/y' type=Const ,
<tf.Operation 'Pow' type=Pow ,
<tf.Operation 'Identity' type=Identity ]pow_op = cube_func_int32.graph.get_operations()[2]
print(pow_op)输出：
代码语言：javascript复制name: “Pow” op: “Pow” input: “x” input: “Pow/y” attr { key: “T” value { type: DT_INT32 } }
print(list(pow_op.inputs))
print(list(pow_op.outputs))输出：
[<tf.Tensor ‘x:0’ shape=(None,) dtype=int32 , <tf.Tensor ‘Pow/y:0’ shape=() dtype=int32 ] [<tf.Tensor ‘Pow:0’ shape=(None,) dtype=int32 ]
cube_func_int32.graph.get_operation_by_name(“x”)
输出：
<tf.Operation ‘x’ type=Placeholder
cube_func_int32.graph.get_tensor_by_name(“x:0”) #默认加“：0”
<tf.Tensor ‘x:0’ shape=(None,) dtype=int32
cube_func_int32.graph.as_graph_def() #总名字，针对上面两个
代码语言：javascript复制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: 119
}到此这篇关于tensorflow2.0的函数签名与图结构的文章就介绍到这了,更多相关tensorflow函数签名与图结构内容请搜索ZaLou.Cn以前的文章或继续浏览下面的相关文章希望大家以后多多支持ZaLou.Cn！
