一种工程级方便的存取模型的方法，saved_model
通过存取一个简单的模型来作为示范
首先是模型定义
import tensorflow as tf
import numpy as np
W = tf.get_variable(name="demo", initializer=tf.ones([10, 32],dtype=tf.float32))
x = tf.placeholder(dtype=tf.float32, shape=[None, 10])
y = tf.matmul(x, W)
y_ = np.ones(shape=[10, 32], dtype=np.float32) # 使用np来创造两个label
cost = tf.nn.sigmoid_cross_entropy_with_logits(logits=y, labels=y_, name=None)
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(cost)
这里定义了一个简单的矩阵乘， 然后我们来简单的训练几步
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
feed_dict = {x: np.ones([10, 10])}
for i in range(100):
sess.run(train_op, feed_dict=feed_dict)
print(sess.run(y, feed_dict=feed_dict))
现在我们想把这个模型存储起来，传统的做法是用ckpt来做，现在tensorflow提供一种更强大简便的方法
首先构建两个字典，inputs 和 outputs, 把要存入的变量放入字典中
其中 tf.saved_model.utils.build_tensor_info是把变量变成可缓存对象的函数
saved_model_dir = "save_model"
signature_key = 'test_signature'
input_key = 'input_x'
output_key = 'output'
# x 为输入tensor
inputs = {input_key: tf.saved_model.utils.build_tensor_info(x)}
# y 为最终需要的输出结果tensor
outputs = {output_key: tf.saved_model.utils.build_tensor_info(y)}
然后把两个字典打包放入 signature 中
signature = tf.saved_model.signature_def_utils.build_signature_def(
inputs=inputs,
outputs=outputs,
method_name=signature_key)
然后建立SavedModelBuilder，并以signature的形式添加要存储的变量
builder = tf.saved_model.builder.SavedModelBuilder(saved_model_dir)
builder.add_meta_graph_and_variables(
sess=sess,
tags=['test_saved_model'],
signature_def_map={signature_key: signature},
clear_devices=True)
builder.save()
saved_model_dir 是要存模型的文件夹，可以是一个不存在的目录名，save之后，包括图结构，变量的内容，都会被存入到新创建的 saved_model_dir 目录内，下图就是存好的模型
下面我们来取出一个训练好的模型
用 tf.saved_model.loader.load 从 模型文件夹中取出模型
其中tags字段是['test_saved_model']， 与存模型时候指定的字段相同
把模型导入到session之后， 取出signature 就从signature中取出存入的变量了
saved_model_dir = "save_model"
signature_key = 'test_signature'
input_key = 'input_x'
output_key = 'output'
with tf.Session() as sess1:
meta_graph_def = tf.saved_model.loader.load(sess1, ['test_saved_model'], saved_model_dir)
signature = meta_graph_def.signature_def
x_tensor_name = signature[signature_key].inputs[input_key].name
y_tensor_name = signature[signature_key].outputs[output_key].name
print(x_tensor_name)
print(y_tensor_name)
x = sess1.graph.get_tensor_by_name(x_tensor_name)
y = sess1.graph.get_tensor_by_name(y_tensor_name)
feed_dict = {x: np.ones([1, 10])}
print(sess1.run(y, feed_dict=feed_dict))
我们看到，首先我们从signature 和 inputs/outputs都是一种字典的封装，把tensor_name存入到了字典中
传统的导入 需要用get_tensor_by_name ， 这样就需要记录tensor的name熟悉，很麻烦。
通过signature，我们可以指定变量的别名，方便存取。
另外，存模型和变量的时候，会把全部的模型图存入，并不是只存我们指定几个变量，而signature只是方便我们存取想要使用的变量。
一个坑，使用tf.Session的时候，切记默认图和指定图的区别。tf.Session()会导入默认图的结构， 而导入模型是需要依附于sess的图， 在默认图中导入模型，如果默认图定义了其他计算图，会导致图冲突，模型导不进去。！！！