這是 當微信小程序遇上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. 如何修改現有的TensorFlow模型，增加輸入層

如果你想要了解更多關于本項目，可以參考這個系列的前三篇文章：

1. 當微信小程序遇上TensorFlow：Server端實現

2. 當微信小程序遇上TensorFlow：Server端實現補充

3. 當微信小程序遇上TensorFlow：小程序實現

關于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TensorFlow模型

問題

截至到目前為止，我們實現了一個簡單的微信小程序，使用開源的Simple TensorFlow Serving部署了服務端。但這種實現方案還存在一個重大問題：小程序和服務端通信傳遞的圖像數據是(299, 299, 3)二進制數組的JSON化表示，這種二進制數據JSON化的最大缺點是數據量太大，一個簡單的299 x 299的圖像，這樣表示大約有3 ～ 4 M。其實HTTP傳輸二進制數據常用的方案是對二進制數據進行base64編碼，經過base64編碼，雖然數據量比二進制也會大一些，但相比JSON化的表示，還是小很多。

所以現在的問題是，如何讓服務器端接收base64編碼的圖像數據？

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言中模塊的輸入輸出信息，比如函數名，輸入參數類型，輸出參數類型等等。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參數名為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，所以這個維度通常是1。輸出參數名為prediction，其shape為(-1, 120)，-1和輸入是對應的，120代表120組狗類別的概率。

現在的問題是，我們能否在模型的輸入前面增加一層，進行base64及解碼處理呢？

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

修改模型，增加輸入層

其實在上一篇文章《 如何合并兩個TensorFlow模型 》中我們已經講到了如何連接兩個模型，這里再稍微重復一下，首先是編寫一個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)

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

利用tf.import_graph_def方法，我們可以導入圖到現有圖中，注意第二個import_graph_def，其input是第一個graph_def的輸出，通過這樣的操作，就將兩個計算圖連接起來，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節點是啥（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的節點名稱：

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

模型部署及測試

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，這樣兩個版本的模型可以同時提供服務，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model_version參數，這樣就可以決定與哪個版本的模型進行通信：

 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

經過一個多星期的研究和反復嘗試，終于解決了圖像數據的base64編碼通信問題。難點在于雖然模型是編寫retrain腳本重新訓練的，但這段代碼不是那么好懂，想要在retrain時增加輸入層也是嘗試失敗。最后從Tensorflow模型轉Tensorflow Lite模型時的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。雖然網上提供了一些恢復變量的方法，但實際用起來并不管用，可能是Tensorflow發展太快，以前的一些方法已經過時了。

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

點擊 閱讀原文 可以直達在github上的項目。

到目前為止，關鍵的問題已經都解決，接下來就需要繼續完善微信小程序的展現，以及如何提供識別率，敬請關注我的微信公眾號：云水木石，獲取最新動態。

 

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?