這是 當(dāng)微信小程序遇上TensorFlow 系列文章的第四篇文章，閱讀本文，你將了解到：

1. 如何查看tensorflow SavedModel的簽名

2. 如何加載tensorflow SavedModel

3. 如何修改現(xiàn)有的TensorFlow模型，增加輸入層

如果你想要了解更多關(guān)于本項(xiàng)目，可以參考這個(gè)系列的前三篇文章：

1. 當(dāng)微信小程序遇上TensorFlow：Server端實(shí)現(xiàn)

2. 當(dāng)微信小程序遇上TensorFlow：Server端實(shí)現(xiàn)補(bǔ)充

3. 當(dāng)微信小程序遇上TensorFlow：小程序?qū)崿F(xiàn)

關(guān)于Tensorflow SavedModel格式模型的處理，可以參考前面的文章：

1. Tensorflow SavedModel模型的保存與加載

2. 如何查看tensorflow SavedModel格式模型的信息

3. 如何合并兩個(gè)TensorFlow模型

問題

截至到目前為止，我們實(shí)現(xiàn)了一個(gè)簡(jiǎn)單的微信小程序，使用開源的Simple TensorFlow Serving部署了服務(wù)端。但這種實(shí)現(xiàn)方案還存在一個(gè)重大問題：小程序和服務(wù)端通信傳遞的圖像數(shù)據(jù)是(299, 299, 3)二進(jìn)制數(shù)組的JSON化表示，這種二進(jìn)制數(shù)據(jù)JSON化的最大缺點(diǎn)是數(shù)據(jù)量太大，一個(gè)簡(jiǎn)單的299 x 299的圖像，這樣表示大約有3 ～ 4 M。其實(shí)HTTP傳輸二進(jìn)制數(shù)據(jù)常用的方案是對(duì)二進(jìn)制數(shù)據(jù)進(jìn)行base64編碼，經(jīng)過base64編碼，雖然數(shù)據(jù)量比二進(jìn)制也會(huì)大一些，但相比JSON化的表示，還是小很多。

所以現(xiàn)在的問題是，如何讓服務(wù)器端接收base64編碼的圖像數(shù)據(jù)？

查看模型的簽名

為了解決這一問題，我們還是先看看模型的輸入輸出，看看其簽名是怎樣的？這里的簽名，并非是為了保證模型不被修改的那種電子簽名。我的理解是類似于編程語(yǔ)言中模塊的輸入輸出信息，比如函數(shù)名，輸入?yún)?shù)類型，輸出參數(shù)類型等等。借助于Tensorflow提供的saved_model_cli.py工具，我們可以清楚的查看模型的簽名：

python ./tensorflow/python/tools/saved_model_cli.py show --dir /data/ai/workspace/aiexamples/AIDog/serving/models/inception_v3/ --all

MetaGraphDef with tag-set: 'serve' contains the following SignatureDefs:

signature_def['serving_default']:
  The given SavedModel SignatureDef contains the following input(s):
    inputs['image'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 299, 299, 3)
        name: Placeholder:0
  The given SavedModel SignatureDef contains the following output(s):
    outputs['prediction'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 120)
        name: final_result:0
  Method name is: tensorflow/serving/predict

從中我們可以看出模型的輸入?yún)?shù)名為image，其shape為(-1, 299, 299, 3)，這里-1代表可以批量輸入，通常我們只輸入一張圖像，所以這個(gè)維度通常是1。輸出參數(shù)名為prediction，其shape為(-1, 120)，-1和輸入是對(duì)應(yīng)的，120代表120組狗類別的概率。

現(xiàn)在的問題是，我們能否在模型的輸入前面增加一層，進(jìn)行base64及解碼處理呢？

也許你認(rèn)為可以在服務(wù)器端編寫一段代碼，進(jìn)行base64字符串解碼，然后再轉(zhuǎn)交給Simple Tensorflow Serving進(jìn)行處理，或者修改Simple TensorFlow Serving的處理邏輯，但這種修改方案增加了服務(wù)器端的工作量，使得服務(wù)器部署方案不再通用，放棄！

修改模型，增加輸入層

其實(shí)在上一篇文章《 如何合并兩個(gè)TensorFlow模型 》中我們已經(jīng)講到了如何連接兩個(gè)模型，這里再稍微重復(fù)一下，首先是編寫一個(gè)base64解碼、png解碼、圖像縮放的模型：

 base64_str = tf.placeholder(tf.string, name='input_string')
  input_str = tf.decode_base64(base64_str)
  decoded_image = tf.image.decode_png(input_str, channels=input_depth)
  # Convert from full range of uint8 to range [0,1] of float32.
  decoded_image_as_float = tf.image.convert_image_dtype(decoded_image,
                                                        tf.float32)
  decoded_image_4d = tf.expand_dims(decoded_image_as_float, 0)
  resize_shape = tf.stack([input_height, input_width])
  resize_shape_as_int = tf.cast(resize_shape, dtype=tf.int32)
  resized_image = tf.image.resize_bilinear(decoded_image_4d,
                                           resize_shape_as_int)
  tf.identity(resized_image, name="DecodePNGOutput")

接下來加載retrain模型：

 with tf.Graph().as_default() as g2:
    with tf.Session(graph=g2) as sess:
      input_graph_def = saved_model_utils.get_meta_graph_def(
          FLAGS.origin_model_dir, tag_constants.SERVING).graph_def

      tf.saved_model.loader.load(sess, [tag_constants.SERVING], FLAGS.origin_model_dir)

      g2def = graph_util.convert_variables_to_constants(
          sess,
          input_graph_def,
          ["final_result"],
          variable_names_whitelist=None,
          variable_names_blacklist=None)

這里調(diào)用了graph_util.convert_variables_to_constants將模型中的變量轉(zhuǎn)化為常量，也就是所謂的凍結(jié)圖(freeze graph)操作。

利用tf.import_graph_def方法，我們可以導(dǎo)入圖到現(xiàn)有圖中，注意第二個(gè)import_graph_def，其input是第一個(gè)graph_def的輸出，通過這樣的操作，就將兩個(gè)計(jì)算圖連接起來，最后保存起來。代碼如下：

 with tf.Graph().as_default() as g_combined:
    with tf.Session(graph=g_combined) as sess:
      x = tf.placeholder(tf.string, name="base64_string")
      y, = tf.import_graph_def(g1def, input_map={"input_string:0": x}, return_elements=["DecodePNGOutput:0"])
      z, = tf.import_graph_def(g2def, input_map={"Placeholder:0": y}, return_elements=["final_result:0"])

      tf.identity(z, "myOutput")

      tf.saved_model.simple_save(sess,
                                 FLAGS.model_dir,
                                 inputs={"image": x},
                                 outputs={"prediction": z})

如果你不知道retrain出來的模型的input節(jié)點(diǎn)是啥（注意不能使用模型部署的signature信息）？可以使用如下代碼遍歷graph的節(jié)點(diǎn)名稱：

for n in g2def.node:
  print(n.name)

模型部署及測(cè)試

注意，我們可以將連接之后的模型保存在./models/inception_v3/2/目錄下，原來的./models/inception_v3/1/也不用刪除，這樣兩個(gè)版本的模型可以同時(shí)提供服務(wù)，方便從V1模型平滑過渡到V2版本模型。

我們修改一下原來的test_client.py代碼，增加一個(gè)model_version參數(shù)，這樣就可以決定與哪個(gè)版本的模型進(jìn)行通信：

 with open(file_name, "rb") as image_file:
    encoded_string = str(base64.urlsafe_b64encode(image_file.read()), "utf-8")

  if enable_ssl :
    endpoint = "https://127.0.0.1:8500"
  else:
    endpoint = "http://127.0.0.1:8500"

  json_data = {"model_name": model_name,
               "model_version": model_version,
               "data": {"image": encoded_string}
              }
  result = requests.post(endpoint, json=json_data)

小結(jié)

經(jīng)過一個(gè)多星期的研究和反復(fù)嘗試，終于解決了圖像數(shù)據(jù)的base64編碼通信問題。難點(diǎn)在于雖然模型是編寫retrain腳本重新訓(xùn)練的，但這段代碼不是那么好懂，想要在retrain時(shí)增加輸入層也是嘗試失敗。最后從Tensorflow模型轉(zhuǎn)Tensorflow Lite模型時(shí)的freezing graph得到靈感，將圖中的變量固化為常量，才解決了合并模型變量加載的問題。雖然網(wǎng)上提供了一些恢復(fù)變量的方法，但實(shí)際用起來并不管用，可能是Tensorflow發(fā)展太快，以前的一些方法已經(jīng)過時(shí)了。

本文的完整代碼請(qǐng)參閱：https://github.com/mogoweb/aiexamples/tree/master/AIDog/serving

點(diǎn)擊 閱讀原文 可以直達(dá)在github上的項(xiàng)目。

到目前為止，關(guān)鍵的問題已經(jīng)都解決，接下來就需要繼續(xù)完善微信小程序的展現(xiàn)，以及如何提供識(shí)別率，敬請(qǐng)關(guān)注我的微信公眾號(hào)：云水木石，獲取最新動(dòng)態(tài)。

 

參考

1. How to Show Signatures of Tensorflow Saved Model

2. Serving Image-Based Deep Learning Models with TensorFlow-Serving’s RESTful API

3. Tensorflow: How to replace a node in a calculation graph?