Platform For AI：TensorFlow常見問題

目錄

如何支援多Python檔案引用？

您可以通過Python檔案組織訓練指令碼。通常首先將資料預先處理邏輯存放在某個Python檔案中，然後將模型定義在另一個Python檔案中，最後通過一個Python檔案串聯整個訓練過程。例如，在test1.py中定義函數，如果test2.py檔案需要使用test1.py中的函數，且將test2.py作為程式入口檔案，則只需要將test1.py和test2.py打包為.tar.gz包並上傳即可，如下圖所示。其中：

• Python代碼檔案：.tar.gz包。

• Python主檔案：入口程式檔案。

如何上傳資料到OSS？

深度學習演算法的資料存放區在OSS的Bucket中，因此需要先建立OSS Bucket。建議您將OSS Bucket建立在與深度學習GPU叢集相同的地區，從而使用阿里雲傳統網路進行資料轉送，進而使演算法運行免收流量費。建立OSS Bucket後，可以在OSS管理主控台建立檔案夾、組織資料目錄或上傳資料。

如何讀取OSS資料？

Python不支援讀取OSS資料，因此所有調用Python Open()及os.path.exist()等檔案和檔案夾操作函數的代碼都無法執行。例如Scipy.misc.imread()及numpy.load()等。

通常採用以下兩種方式在PAI中讀取資料：

• 使用tf.gfile下的函數，適用於簡單讀取一張圖片或一個文本等。成員函數如下。

  tf.gfile.Copy(oldpath, newpath, overwrite=False) # 拷貝檔案。
  tf.gfile.DeleteRecursively(dirname) # 遞迴刪除目錄下所有檔案。
  tf.gfile.Exists(filename) # 檔案是否存在。
  tf.gfile.FastGFile(name, mode='r') # 無阻塞讀取檔案。
  tf.gfile.GFile(name, mode='r') # 讀取檔案。
  tf.gfile.Glob(filename) # 列出檔案夾下所有檔案, 支援Pattern。
  tf.gfile.IsDirectory(dirname) # 返回dirname是否為一個目錄
  tf.gfile.ListDirectory(dirname) # 列出dirname下所有檔案。
  tf.gfile.MakeDirs(dirname) # 在dirname下建立一個檔案夾。如果父目錄不存在, 則自動建立父目錄。如果檔案夾已經存在, 且檔案夾可寫, 則返回成功。
  tf.gfile.MkDir(dirname) # 在dirname處建立一個檔案夾。
  tf.gfile.Remove(filename) # 刪除filename。
  tf.gfile.Rename(oldname, newname, overwrite=False) # 重新命名。
  tf.gfile.Stat(dirname) # 返回目錄的統計資料。
  tf.gfile.Walk(top, inOrder=True) # 返回目錄的檔案樹。

• 使用tf.gfile.Glob、tf.gfile.FastGFile、 tf.WholeFileReader()及tf.train.shuffle_batch()，適用於批量讀取檔案（讀取檔案之前需要擷取檔案清單。如果批量讀取，還需要建立Batch）。

import tensorflow as tf
FLAGS = tf.flags.FLAGS
tf.flags.DEFINE_string('buckets', 'oss://{OSS Bucket}/', '訓練圖片所在檔案夾')
tf.flags.DEFINE_string('batch_size', '15', 'batch大小')
files = tf.gfile.Glob(os.path.join(FLAGS.buckets,'*.jpg')) # 列出buckets下所有JPG檔案路徑。

批量讀取檔案時，對於不同規模的檔案，建議分別使用如下方式：

• 讀取小規模檔案時，建議使用tf.gfile.FastGfile()。

  for path in files:
      file_content = tf.gfile.FastGFile(path, 'rb').read() # 一定記得使用rb讀取, 否則很多情況下都會報錯。
      image = tf.image.decode_jpeg(file_content, channels=3) # 以JPG圖片為例。

• 讀取大規模檔案時，建議使用tf.WholeFileReader()。

  reader = tf.WholeFileReader()  # 執行個體化reader。
  fileQueue = tf.train.string_input_producer(files)  # 建立一個供reader讀取的隊列。
  file_name, file_content = reader.read(fileQueue)  # 使reader從隊列中讀取一個檔案。
  image_content = tf.image.decode_jpeg(file_content, channels=3)  # 將讀取結果解碼為圖片。
  label = XXX  # 省略處理label的過程。
  batch = tf.train.shuffle_batch([label, image_content], batch_size=FLAGS.batch_size, num_threads=4,
                                 capacity=1000 + 3 * FLAGS.batch_size, min_after_dequeue=1000)
  sess = tf.Session()  # 建立Session。
  tf.train.start_queue_runners(sess=sess)  # 啟動隊列。如果未執行該命令，則線程會一直阻塞。
  labels, images = sess.run(batch)  # 擷取結果。

  核心代碼解釋如下：

  • tf.train.string_input_producer：將files轉換為隊列，且需要使用tf.train.start_queue_runners啟動隊列。

  • tf.train.shuffle_batch參數如下：

    • batch_size：批處理大小，即每次運行Batch返回的資料數量。

    • num_threads：運行線程數，一般設定為4。

    • capacity：隨機取檔案範圍。例如，資料集有10000個資料，如果需要從5000個資料中隨機抽取，則將capacity配置為5000。

    • min_after_dequeue：維持隊列的最小長度，不能大於capacity。

如何為OSS寫入資料？

您可以通過以下任意一種方式將資料寫入OSS中，產生的檔案儲存體在輸出目錄/model/example.txt：

• 通過tf.gfile.FastGFile()寫入，樣本如下。

  tf.gfile.FastGFile(FLAGS.checkpointDir + 'example.txt', 'wb').write('hello world')

• 通過tf.gfile.Copy()拷貝，樣本如下。

  tf.gfile.Copy('./example.txt', FLAGS.checkpointDir + 'example.txt')

為什麼運行過程中出現OOM？

使用的記憶體達到上限30 GB，建議通過gfile讀取OSS資料，詳情請參見如何讀取OSS資料？。

TensorFlow有哪些案例？

使用TensorFlow自動寫歌，詳情請參見寫歌案例。

配置兩個GPU時，model_average_iter_interval有什麼作用？

如果未配置model_average_iter_interval參數，則GPU會運行標準的Parallel-SGD，每個迭代都會交換梯度更新。如果model_average_iter_interval大於1，則使用Model Average方法，訓練迭代間隔若干輪（model_average_iter_interval表示數值輪數）計算兩個平均模型參數。

TensorFlow模型如何匯出為SavedModel？

SavedModel格式

使用EAS預置官方Processor將TensorFlow模型部署為線上服務，必須先將模型匯出為官方定義的SavedModel格式（TensorFlow官方推薦的匯出模型格式）。SavedModel模型格式的目錄結構如下。

assets/
variables/
    variables.data-00000-of-00001
    variables.index
saved_model.pb|saved_model.pbtxt

其中：

• assets表示一個可選目錄，用於儲存預測時的輔助文檔資訊。

• variables儲存tf.train.Saver儲存的變數資訊。

• saved_model.pb或saved_model.pbtxt儲存MetaGraphDef（儲存訓練預測模型的程式邏輯）和SignatureDef（用於標記預測時的輸入和輸出）。

匯出SavedModel

使用TensorFlow匯出SavedModel格式的模型請參見Saving and Restoring。如果模型比較簡單，則可以使用如下方式快速匯出SavedModel。

tf.saved_model.simple_save(
  session,
  "./savedmodel/",
  inputs={"image": x},   ## x表示模型的輸入變數。
  outputs={"scores": y}  ## y表示模型的輸出。
)

請求線上預測服務時，請求中需要指定模型signature_name，使用simple_save()方法匯出的模型中，signature_name預設為serving_default。

如果模型比較複雜，則可以使用手工方式匯出SavedModel，程式碼範例如下。

print('Exporting trained model to', export_path)
builder = tf.saved_model.builder.SavedModelBuilder(export_path)
tensor_info_x = tf.saved_model.utils.build_tensor_info(x)
tensor_info_y = tf.saved_model.utils.build_tensor_info(y)

prediction_signature = (
    tf.saved_model.signature_def_utils.build_signature_def(
        inputs={'images': tensor_info_x},
        outputs={'scores': tensor_info_y},
        method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME)
)

legacy_init_op = tf.group(tf.tables_initializer(), name='legacy_init_op')

builder.add_meta_graph_and_variables(
    sess, [tf.saved_model.tag_constants.SERVING],
    signature_def_map={
        'predict_images': prediction_signature,
    },
    legacy_init_op=legacy_init_op
)

builder.save()
print('Done exporting!')

其中：

• export_path表示匯出模型的路徑。

• prediction_signature表示模型為輸入和輸出構建的SignatureDef，詳情請參見SignatureDef。樣本中的signature_name為predict_images

• builder.add_meta_graph_and_variables方法表示匯出模型的參數。

Keras模型轉換為SavedModel

使用Keras的model.save()方法會將Keras模型匯出為H5格式，需要將其轉換為SavedModel才能進行線上預測。您可以先調用load_model()方法載入H5模型，再將其匯出為SavedModel格式，程式碼範例如下。

import tensorflow as tf
with tf.device("/cpu:0"):
    model = tf.keras.models.load_model('./mnist.h5')
    tf.saved_model.simple_save(
      tf.keras.backend.get_session(),
      "./h5_savedmodel/",
      inputs={"image": model.input},
      outputs={"scores": model.output}
    )

Checkpoint轉換為Savedmodel

訓練過程中使用tf.train.Saver()方法儲存的模型格式為checkpoint，需要將其轉換為SavedModel才能進行線上預測。您可以先調用saver.restore()方法將Checkpoint載入為tf.Session，再將其匯出為SavedModel格式，程式碼範例如下。

import tensorflow as tf
# variable define ...
saver = tf.train.Saver()
with tf.Session() as sess:
  # Initialize v1 since the saver will not.
    saver.restore(sess, "./lr_model/model.ckpt")
    tensor_info_x = tf.saved_model.utils.build_tensor_info(x)
    tensor_info_y = tf.saved_model.utils.build_tensor_info(y)
    tf.saved_model.simple_save(
      sess,
      "./savedmodel/",
      inputs={"image": tensor_info_x},
      outputs={"scores": tensor_info_y}
    )