如何查看Tensorflow SavedModel格式模型的信息
在《Tensorflow SavedModel模型的保存与加载》一文中，我们谈到SavedModel格式的优点是与语言无关、容易部署和加载。那问题来了，如果别人发布了一个SavedModel模型，我们该如何去了解这个模型，如何去加载和使用这个模型呢？
理想的状态是模型发布者编写出完备的文档，给出示例代码。但在很多情况下，我们只是得到了训练好的模型，而没有齐全的文档，这个时候我们能否从模型本身上获得一些信息呢？比如模型的输入输出、模型的结构等等。
答案是可以的。
查看模型的Signature签名
这里的签名，并非是为了保证模型不被修改的那种电子签名。我的理解是类似于编程语言中模块的输入输出信息，比如函数名，输入参数类型，输出参数类型等等。我们以《Tensorflow SavedModel模型的保存与加载》里的代码为例，从语句：
signature = predict_signature_def(inputs={'myInput': x},
outputs={'myOutput': y})
我们可以看到模型的输入名为myInput，输出名为myOutput。如果我们没有源码呢？
Tensorflow提供了一个工具，如果你下载了Tensorflow的源码，可以找到这样一个文件，./tensorflow/python/tools/saved_model_cli.py，你可以加上-h参数查看该脚本的帮助信息：
usage: saved_model_cli.py [-h] [-v] {show,run,scan} ...
saved_model_cli: Command-line interface for SavedModel
optional arguments:
-h, --help show this help message and exit
-v, --version show program's version number and exit
commands:
valid commands
{show,run,scan} additional help
指定SavedModel模所在的位置，我们就可以显示SavedModel的模型信息：
python $TENSORFLOW_DIR/tensorflow/python/tools/saved_model_cli.py show --dir ./model/ --all
结果为：
MetaGraphDef with tag-set: 'serve' contains the following SignatureDefs:
signature_def['predict']:
The given SavedModel SignatureDef contains the following input(s):
inputs['myInput'] tensor_info:
dtype: DT_FLOAT
shape: (-1, 784)
name: myInput:0
The given SavedModel SignatureDef contains the following output(s):
outputs['myOutput'] tensor_info:
dtype: DT_FLOAT
shape: (-1, 10)
name: Softmax:0
Method name is: tensorflow/serving/predict
从这里我们可以清楚的看到模型的输入/输出的名称、数据类型、shape以及方法名称。有了这些信息，我们就可以很容易写出推断方法。
查看模型的计算图
了解tensflow的人可能知道TensorBoard是一个非常强大的工具，能够显示很多模型信息，其中包括计算图。问题是，TensorBoard需要模型训练时的log，如果这个SavedModel模型是别人训练好的呢？办法也不是没有，我们可以写一段代码，加载这个模型，然后输出summary info，代码如下：
import tensorflow as tf
import sys
from tensorflow.python.platform import gfile
from tensorflow.core.protobuf import saved_model_pb2
from tensorflow.python.util import compat
with tf.Session() as sess:
model_filename ='./model/saved_model.pb'
with gfile.FastGFile(model_filename, 'rb') as f:
data = compat.as_bytes(f.read())
sm = saved_model_pb2.SavedModel()
sm.ParseFromString(data)
if 1 != len(sm.meta_graphs):
print('More than one graph found. Not sure which to write')
sys.exit(1)
g_in = tf.import_graph_def(sm.meta_graphs[0].graph_def)
LOGDIR='./logdir'
train_writer = tf.summary.FileWriter(LOGDIR)
train_writer.add_graph(sess.graph)
train_writer.flush()
train_writer.close()
代码中，将汇总信息输出到logdir，接着启动TensorBoard，加上上面的logdir:
tensorboard --logdir ./logdir
在浏览器中输入地址： http://127.0.0.1:6006/ ，就可以看到如下的计算图：
小结
按照前面两种方法，我们可以对Tensorflow SavedModel格式的模型有比较全面的了解，即使模型训练者并没有给出文档。有了这些模型信息，相信你写出使用模型进行推断更加容易。
本文的完整代码请参考：https://github.com/mogoweb/aiexamples/tree/master/tensorflow/saved_model
希望这篇文章对您有帮助，感谢阅读！
