Класс SaveOptions

Класс SaveOptions используется для настройки процесса сохранения моделей TensorFlow в формате SavedModel. Он передается в функцию tf.saved_model.save вторым параметром. Класс позволяет указать, нужно ли сохранять конкретные объекты, функции или переменные, а также настроить поведение сериализации. Основные атрибуты: save_debug_info, namespace_whitelist, experimental_custom_gradients, experimental_image_format, experimental_variable_policy.

Синтаксис

tf.saved_model.SaveOptions(
	namespace_whitelist=None,
	save_debug_info=False,
	experimental_custom_gradients=True,
	experimental_image_format=False,
	experimental_variable_policy=None,
	experimental_load_function_aliases=False,
	allow_missing_variables=False
)

Пример

Давайте создадим простую модель и сохраним ее с параметрами по умолчанию, используя класс SaveOptions:

import tensorflow as tf

model = tf.keras.Sequential([
	tf.keras.layers.Dense(2, input_shape=(3,))
])

options = tf.saved_model.SaveOptions()
tf.saved_model.save(model, 'model.keras', options=options)
print("model saved")

Результат выполнения кода:

"model saved"

Пример

Давайте сохраним модель с включенной отладочной информацией, установив атрибут save_debug_info в значение True:

import tensorflow as tf

model = tf.keras.Sequential([
	tf.keras.layers.Dense(2, input_shape=(3,))
])

options = tf.saved_model.SaveOptions(save_debug_info=True)
tf.saved_model.save(model, 'model_debug.keras', options=options)
print("model saved with debug info")

Результат выполнения кода:

"model saved with debug info"

Пример

Давайте сохраним модель с указанием белого списка пространств имен через атрибут namespace_whitelist:

import tensorflow as tf

model = tf.keras.Sequential([
	tf.keras.layers.Dense(2, input_shape=(3,))
])

options = tf.saved_model.SaveOptions(
	namespace_whitelist=['tf', 'keras']
)
tf.saved_model.save(model, 'model_ns.keras', options=options)
print("model saved with namespace whitelist")

Результат выполнения кода:

"model saved with namespace whitelist"

Пример

Давайте сохраним модель с политикой переменных experimental_variable_policy, установленной в значение 'save_variables':

import tensorflow as tf

model = tf.keras.Sequential([
	tf.keras.layers.Dense(2, input_shape=(3,))
])

options = tf.saved_model.SaveOptions(
	experimental_variable_policy='save_variables'
)
tf.saved_model.save(model, 'model_vars.keras', options=options)
print("model saved with variable policy")

Результат выполнения кода:

"model saved with variable policy"

Смотрите также

функцию saved_model.save,
которая сохраняет модель в формате SavedModel
функцию saved_model.load,
которая загружает сохраненную модель
класс LoadOptions,
который настраивает параметры загрузки модели
функцию latest_checkpoint,
которая находит последний чекпоинт