检测张量流保存模型的第一个/最后一个通道？

Question

有没有什么方法可以检测到加载为model=tf.saved_model.load(path)的TF保存模型的通道第一或最后格式？

在 Keras 中，可以通过 model.layers 并检查层 l l.data_format == 'channels_last'

TF 保存的模型有类似的东西吗？我找不到任何合适的 TF 模型细节文档 - 一切都回到 Keras。

Answer 1

在 tf.saved_model.load 的 tensorflow documentation 中声明：

"Keras 模型是可追踪的，因此可以保存到 SavedModel。tf.saved_model.load 返回的对象不是 Keras 对象（即没有 .fit、.predict 等方法）。一些属性和函数仍然可用：.variables、.trainable_variables 和 .call。"

我建议您尝试使用 .variables 属性提取通道数，然后与模型架构进行比较（我假设您大致了解输入/输出大小是多少以及应该在第一层）

# channel last format
input_shape = (32,32,3)
# build model in keras
model = keras.Sequential(
    [
        keras.layers.InputLayer(input_shape=input_shape),
        layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
        layers.Flatten(),
        layers.Dropout(0.5),
        layers.Dense(2, activation="softmax"),
    ]
)
model.save('model')

然后用 tf 加载模型

loaded_model = tf.saved_model.load('model')

并得到第一层的输出形状：

loaded_model.variables[0].shape

输出：

TensorShape([3, 3, 3, 32])

如果我们了解模型架构并且第一层的输出有 32 个通道，那么现在很明显模型最后保存在通道中。 但是，如果您对模型的结构一无所知，则可能会更加棘手，并且这种解决方案还不够。

Answer 2

我确信有比这更好的答案，但如果我只是想快速解决这个问题...

如果我已经知道图像大小，我会尝试

# Arrange.

tf.saved_model.save(tf.keras.applications.MobileNet(),'/path/to/dir') 
m=tf.saved_model.load('/path/to/dir')
image_size = (224,224) # 

# Act
try:
  m(tf.zeros((1,) + image_size + (3,))
  format='channels_last'
except ValueError:
  try:
    m(tf.zeros((1,3) + image_size)
    format='channels_first'
  except ValueError:
    raise ValueError('input shape is neither None,224,224,3 nor None,3,224,224')

如果我不知道图片大小，我会考虑：

1. 循环使用常见尺寸，例如 29x29、32x32、224x224、256x256 和 299x299。

2. 暴力搜索所有 2 ** 20 种图像尺寸组合，最大为 1024x1024

3. 调用m(None) 并使用正则表达式解析ValueError 中的str。它打印出输入形状的 TensorSpec：

>>> m(tf.zeros((1,1,1,3)))
Traceback (most recent call last):
[...]
ValueError: Could not find matching function to call loaded from the SavedModel. Got:
  Positional arguments (3 total):
    * Tensor("inputs:0", shape=(1, 1, 1, 3), dtype=float32)
    * False
    * None
  Keyword arguments: {}

Expected these arguments to match one of the following 4 option(s):

Option 1:
  Positional arguments (3 total):
    * TensorSpec(shape=(None, 224, 224, 3), dtype=tf.float32, name='input_1')
    * True
    * None
  Keyword arguments: {}

Option 2:
  Positional arguments (3 total):
    * TensorSpec(shape=(None, 224, 224, 3), dtype=tf.float32, name='input_1')
    * False
    * None
  Keyword arguments: {}

Option 3:
  Positional arguments (3 total):
    * TensorSpec(shape=(None, 224, 224, 3), dtype=tf.float32, name='inputs')
    * True
    * None
  Keyword arguments: {}

Option 4:
  Positional arguments (3 total):
    * TensorSpec(shape=(None, 224, 224, 3), dtype=tf.float32, name='inputs')
    * False
    * None
  Keyword arguments: {}