tf签名(TF签名图片)

TF签名是什么？

TensorFlow（简称TF）是Google推出的一个开源的深度学习框架，十分受欢迎，被广泛应用于实现人工智能应用。而TF签名就是TensorFlow的一个重要特性，它可以让我们方便地打包和复用模型。

TF签名可以理解为一种深度学习模型的“固化”，所谓“固化”就是将一个训练好的模型数据保存下来，用于后续的复用。TF签名通过将TensorFlow图定义为可以重用的计算单元，使我们的模型可以从Python到Java等不同语言的平台上互相调用。

TF签名在哪里用？

TF签名的应用十分广泛。在真实应用场景中，较少有开发者只是简单的使用一次训练模型。相反，大多数模型需要在不同环境中多次运行，甚至在独立的分布式系统上运行以实现更高的性能和可用性。

因此，在一般的深度学习应用中，使用TF签名的方式来保存和复用模型，可以适应更多环境，并提高运行效率，使得我们的模型更方便易用，易于扩展，也省去了我们从头开始训练模型的时间成本。

如何使用TF签名？

接下来，我们来看一下如何使用TF签名。

首先，在训练模型的过程中，我们需要先构建模型。利用TensorFlow的API，我们可以轻易地构建深度学习模型，如下：

```
x = tf.placeholder(dtype=tf.float32, shape=[None, 100])
y = tf.placeholder(dtype=tf.float32, shape=[None, 1])

weights = tf.Variable(initial_value=tf.zeros([100, 1]))
bias = tf.Variable(initial_value=tf.zeros([1]))

predictions = tf.add(tf.matmul(x, weights), bias)
loss = tf.reduce_mean(tf.losses.mean_squared_error(y, predictions))
```

然后，我们需要将模型的计算图保存为pb文件。这个pb文件可以看作神经网络的一种“二进制码”——可以直接在TensorFlow中载入以供下一次使用，而不需要重新进行训练。具体做法如下：

```
tf.saved_model.simple_save(
sess,
"/tmp/model/simple", # 指定模型输出路径
inputs={"x": x, "y": y},
outputs={"predictions": predictions}
)
```

此外，在TensorFlow中，我们还可以给模型添加自定义的签名。通过在保存模型时添加签名信息，我们可以轻松地根据标准形式从其他语言和平台上调用模型，而不受TensorFlow版本和代码实现变化的影响。 具体代码如下：

```
signature = tf.saved_model.signature_def_utils.build_signature_def(
inputs={"x": tf.saved_model.utils.build_tensor_info(x), "y": tf.saved_model.utils.build_tensor_info(y)},
outputs={"predictions": tf.saved_model.utils.build_tensor_info(predictions)},
method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME
)

builder.add_meta_graph_and_variables(
sess,
["tf_signature"],
signature_def_map={
tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY: signature
},
main_op=tf.tables_initializer(),
strip_default_attrs=True,
)

builder.save()
```

保存完毕后，我们就可以利用TF签名从外部程序中调用该模型，并获得预测结果。