之前的一篇文章中使用TensorFlow C++ API构建线上预测服务 - 篇1,详细讲解了怎样用TensorFlow C++ API导入模型做预测,但模型c = a * b比较简单,只有模型结构,并没有参数,所以文章中并没讲到怎样导入参数。本文使用一个复杂的模型讲解,包括以下几个方面: * 针对稀疏数据的数据预处理 * 训练中保存模型和参数 * TensorFlow C++ API导入模型和参数 * TensorFlow C++ API构造Sparse Tensor做模型输入

稀疏数据下的数据预处理

稀疏数据下,一般会调用TensorFlow的embedding_lookup_sparse

embedding_variable = tf.Variable(tf.truncated_normal([input_size, embedding_size], stddev=0.05), name='emb')
embedding = tf.nn.embedding_lookup_sparse(embedding_variable, sparse_id, sparse_value, "mod", combiner="sum")
上面代码中,embedding_variable就是需要学习的参数,其中input_size是矩阵的行数,embedding_size是矩阵的列数,比如我们有100万个稀疏id,每个id要embedding到50维向量,那么矩阵的大小是[1000000, 50]。sparse_id是要做向量化的一组id,用SparseTensor表示,sparse_value是每个id对用的一个value,用作权重,也用SparseTensor表示。 这里要注意,如果id是用hash生成的,不保证id是0,1,2,3, ...这种连续表示,需要先把id排序后转成连续的,并且把input_size设成大于排序后最大的id,为了节省空间往往设成排序后最大id+1。因为用id去embedding_variable矩阵查询命中哪行的时候,使用id mod Row(embedding_variable)或其他策略作为命中的行数,如果不保证id连续,可能会出现多个id命中同一行的错误情况。另外,如果不把id排序后转成连续id,那input_size需要设成原始id中的最大id,如果是hash生成的那么最大id值非常大,做成矩阵非常大存不下和矩阵存在空间浪费,因为有些行肯定不会被命中。 另外一个点,目前TensorFlow不支持sparse方式的查询和参数更新,每次查询更新都要pull&push一个矩阵全量数据,造成网络的堵塞,速度过慢,所以一般来说不要使用太大的embedding矩阵。

训练中保存模型和参数

TensorFlow保存模型时分为两部分,网络结构和参数是分开保存的。 ## 保存网络结构 运行以下命令,成功后会看到一个名为graph.pb的pb二进制文件。后续如果使用TensorFlow官方提供的freeze_graph.py工具时必需这个文件,当然,如果对freeze_graph.py的代码比较熟悉,可以使用比较trick的方式,这样只需要参数文件,而不需要graph.pb了。

tf.train.write_graph(sess.graph.as_graph_def(), FLAGS.model_dir, 'graph.pb', as_text=False)
## 保存模型参数 运行以下命令,会在FLAGS.model_dir目录下保存多个前缀为model.checkpoint的文件。
saver = tf.train.Saver()
saver.save(sess, FLAGS.model_dir + "/model.checkpoint")
比如,成功后在FLAGS.model_dir目录下会看到以下几个文件。其中,model.checkpoint.meta包含了网络结构和一些其他信息,所以也包含了上面提到的graph.pbmodel.checkpoint.data-00000-of-00001保存了模型参数,其他两个文件辅助作用。
-rw-r--r--  1 user  staff      89 10 11 11:32 checkpoint
-rw-r--r-- 1 user staff 225136 10 11 11:32 model.checkpoint.data-00000-of-00001
-rw-r--r-- 1 user staff 1506 10 11 11:32 model.checkpoint.index
-rw-r--r-- 1 user staff 369379 10 11 11:32 model.checkpoint.meta

TensorFlow C++ API导入模型和参数

主要有两种方法: * 分别导入网络结构和模型参数 * 线下先把网络结构和模型参数整合成一个文件,只用导入这个文件即可

分别导入网络结构和模型参数

导入网络结构

以上文的graph.pb为例

// 导入网络结构
GraphDef graph_def;
status = ReadBinaryProto(Env::Default(), std::string("graph.pb"), &graph_def);
if (!status.ok()) {
throw runtime_error("Error loading graph: " + status.ToString());
}

// 把网络设置到Session里
status = session->Create(graph_def);
if (!status.ok()) {
throw runtime_error("Error set graph to session: " + status.ToString());
}
### 导入模型参数 这里注意要传入模型路径,既上文的FLAGS.model_dir。以FLAGS.model_dir="your_checkpoint_path"为例
// 导入模型参数
Tensor checkpointPathTensor(DT_STRING, TensorShape());
checkpointPathTensor.scalar<std::string>()() = std::string("your_checkpoint_path");
status = session->Run(
{{ graph_def.saver_def().filename_tensor_name(), checkpointPathTensor },},
{},
{graph_def.saver_def().restore_op_name()},
nullptr);
if (!status.ok()) {
throw runtime_error("Error loading checkpoint: " + status.ToString());
}

网络结构和模型参数整合成一个文件

One confusing part about this is that the weights usually aren't stored inside the file format during training. Instead, they're held in separate checkpoint files, and there are Variable ops in the graph that load the latest values when they're initialized. It's often not very convenient to have separate files when you're deploying to production, so there's the freeze_graph.py script that takes a graph definition and a set of checkpoints and freezes them together into a single file.

使用多个文件部署比较麻烦,如果能整个成一个独立文件会方便很多,因此,TensorFlow官方提供了freeze_graph.py工具。如果已经安装了TensorFlow,则在安装目录下可以找到,否则可以直接使用源码tensorflow/python/tools路径下freeze_graph.py。运行例子为:

python ${TF_HOME}/tensorflow/python/tools/freeze_graph.py \
--input_graph="graph.pb" \
--input_checkpoint="your_checkpoint_path/checkpoint_prefix" \
--output_graph="your_checkpoint_path/freeze_graph.pb" \
--output_node_names=Softmax
其中,input_graph为网络结构pb文件,input_checkpoint为模型参数文件名前缀,output_graph为我们的目标文件,output_node_names为目标网络节点名称,因为网络包括前向和后向网络,在预测时后向网络其实是多余的,指定output_node_names后只保存从输入节点到这个节点的部分网络。如果不清楚自己想要的节点output_node_names是什么,可以用下面的代码把网络里的全部节点名字列出来,然后找到自己想要的那个就行了。
for op in tf.get_default_graph().get_operations():
print(op.name)
得到freeze_graph.pb后,只导入网络结构即可,不再需要另外导入模型参数。
GraphDef graph_def;
status = ReadBinaryProto(Env::Default(), std::string("freeze_graph.pb"), &graph_def);
freeze_graph.py的更多参数可以看它的代码。

官方的freeze_graph.py工具需要在训练时同时调用tf.train.write_graph保存网络结构和tf.train.Saver()保存模型参数,之前讲过tf.train.Saver()保存的meta文件里其实已经包含了网络结构,所以就不用调用tf.train.write_graph保存网络结构,不过这时就不能直接调用官方的freeze_graph.py了,需要使用一点trick的方式将网络结构从meta文件里提取出来,具体代码可见https://github.com/formath/tensorflow-predictor-cpp/blob/master/python/freeze_graph.py,使用例子如下,其中checkpoint_dir的即上文的FLAGS.model_dir目录,output_node_names和官方freeze_graph.py的意思一致。

# this freeze_graph.py is https://github.com/formath/tensorflow-predictor-cpp/blob/master/python/freeze_graph.py
python ../../python/freeze_graph.py \
--checkpoint_dir='./checkpoint' \
--output_node_names='predict/add' \
--output_dir='./model'

TensorFlow C++ API构造Sparse Tensor

LibFM格式数据为例,label fieldid:featureid:value ...。假如一个batch中有以下4条样本:

0 1:384:1 8:734:1
0 3:73:1
1 2:449:1 0:31:1
0 5:465:1
四个label可以表示成一个稠密Tensor,即
auto label_tensor = test::AsTensor<float32>({0, 0, 1, 0});
剩余还有三个部分,分别是fieldidfeatureidvalue,每个部分都可以表示成一个SparseTensor,每个SparseTensor由3个Tensor组成。
Instance | SparseFieldId | SparseFeatureId |    SparseValue   |
0 | 1, 8 | 384, 734 | 1.0, 1.0 |
1 | 3 | 73 | 1.0 |
2 | 2, 0 | 449, 31 | 1.0, 1.0 |
3 | 5 | 465 | 1.0 |
SparseFieldId部分为例,SparseTensor中的第一个Tensor表示每个id的行列坐标,比如Instance=0FieldId=1为<0, 0>,Instance=0FieldId=8为<0, 1>,Instance=2FieldId=0为<2, 1>,总共6对,每对是个二元组,所以第一个Tensor
auto fieldid_tensor_indices =
test::AsTensor<int64>({0, 0, 0, 1, 1, 0, 2, 0, 2, 1, 3, 0}, {6, 2});
SparseTensor中的第二个Tensor表示id值,即
auto fieldid_tensor_values = test::AsTensor<int64>({1, 8, 3, 2, 0, 5});
第三个Tensor表示样本行数和每条样本里最多有多少个id,所以是
auto fieldid_tensor_shape = TensorShape({4, 2});
最后,fieldid部分的SparseTensor表示为
sparse::SparseTensor fieldid_sparse_tensor(
fieldid_tensor_indices, fieldid_tensor_values, fieldid_tensor_shape);
其他两个部分,featureidvalue同样可以用SparseTensor表示。最后,一个batch的libfm数据可以由4份数据来表示,这4份数据作为网络的input,运行Session.run即可得到输出。当然,线上预测时就没有label这一部分输入了。 * label的Tensor * fieldid的SparseTensor * featureid的SparseTensor * value的SparseTensor

参考