tensorflow serving with only checkpoint files

Question

سلام

دوستان اگر فقط فایل های checkpoint یک مدل را داشته باشیم یعنی برنامه کدنویسی ساختار مدل را نداشته باشیم بجای این فایل .meta آن را داشته باشیم :

۱- میتواینم آموزش را ادامه بدهیم برای دیتاست خودمون؟

۲- میتوانیم برای tensorflow serving بکار ببریم؟

۳ - برای اینکه از tensorflow serving api استفاده کنیم آیا لازمه که به فرمت tensorflow serving تبدیل به pb. کنیم یا اینکه همان خروجی pb . infrence foze graph هم جواب میده ؟ چون جایی دیدم که نوشته بود بهتره برای استفاده از tensorflow serving بصورت tf.saved_model.bulder ....  مدا را ذخیره کنید نه بصورت tf.tarin.Saver() درسته ؟

Answer 1

سلام. برای پاسخ به سوالات شما:

 

1- بله، اگر فایل‌های checkpoint یک مدل را داشته باشید، می‌توانید آموزش را ادامه دهید. برای این کار، باید مدل را با استفاده از فایل checkpoint بارگذاری کنید و سپس با داده‌های جدید آموزش دهید.

 

2- بله، می‌توانید مدل را برای TensorFlow Serving استفاده کنید. برای این کار، باید مدل را به فرمت مناسب برای TensorFlow Serving تبدیل کنید.

 

3- برای استفاده از TensorFlow Serving API، باید مدل را به فرمت SavedModel تبدیل کنید. این فرمت شامل یک pb فایل (که ساختار مدل را توصیف می‌کند) و یک یا چندین فایل variables (که وزن‌های مدل را ذخیره می‌کند) است. 

 

به طور کلی، استفاده از `tf.saved_model.builder` برای ذخیره‌سازی مدل‌ها توصیه می‌شود زیرا این روش سازگاری بیشتری با TensorFlow Serving دارد. در حالی که `tf.train.Saver()` فقط وزن‌های مدل را ذخیره می‌کند و برای بارگذاری مدل برای پیش‌بینی، باید ساختار مدل را به صورت جداگانه تعریف کنید.