## Variable()和get_variable()的区别以及name_scope和variable_scope的区别
```
jupyter notebook
# 打开variable_vs_get_variable.ipynb
```
## 线性回归的例子
```
jupyter notebook
# 打开basic.ipynb
```
## dataset
```
jupyter notebook
# 打开dataset.ipynb
```
**注意：第8个cell会死循环，需要我们手动通过"kenerl->interrupt"停止。**
## Batch Normalization
```
jupyter notebook
# 打开batch-norm.ipynb
```
## 时间序列预测
```
jupyter notebook
# 打开time-series.ipynb
```
## 使用LSTM来识别MNIST图片
```
python lstm-mnist.py
```
## TensorBoard示例(使用MNIST)
首先训练：
```
python cnn_mnist.py
```
然后运行TensorBoard(不用等训练结束)：
```
deep_learning_theory_and_practice/src/ch6$ tensorboard --logdir mnist_convnet_model/
# 然后用浏览器打开命令行里出现的链接，可能类似于http://lili-Precision-7720:6006
```
## 使用内置的Estimator实现Iris数据分类
```
python premade_estimator.py
```
## tf.train.Saver
### 保存变量
```
cd serving
python save_variables.py
```
我们指定保存的路径是"tf_save_variables/model.ckpt"，最终会生成一个目录tf_save_variables，它包含如下内容：
```
$ tree tf_save_variables/
tf_save_variables/
├── checkpoint
├── model.ckpt.data-00000-of-00001
├── model.ckpt.index
└── model.ckpt.meta
```
### 使用 inspect_checkpoint 查看保存的变量
```
python view_ckpt.py
```
### 恢复 Graph 的定义和变量
```
python restore_graph.py
```
## Tensorflow Serving
### 线性回归的SavedModel
```
python linear_regression_save_model.py
```
SavedModel API把模型保存到lr_model目录：
```
$ tree lr_model
lr_model
└── 1
├── saved_model.pb
└── variables
├── variables.data-00000-of-00001
└── variables.index
```
### 使用saved_model_cli查看保存的模型
```
$ saved_model_cli show --dir lr_model/1
The given SavedModel contains the following tag-sets:
serve
```
接着看serve这个tag_set：
```
$ saved_model_cli show --dir lr_model/1 --tag_set serve
The given SavedModel MetaGraphDef contains SignatureDefs with the following keys:
SignatureDef key: "predict"
```
接着查看一个signature：
```
$ saved_model_cli show --dir lr_model/1 --tag_set serve --signature_def predict
The given SavedModel SignatureDef contains the following input(s):
inputs['x'] tensor_info:
dtype: DT_FLOAT
shape: (-1, 1)
name: x:0
The given SavedModel SignatureDef contains the following output(s):
outputs['y'] tensor_info:
dtype: DT_FLOAT
shape: (-1, 1)
name: add:0
Method name is: tensorflow/serving/predict
```
### 安装ModelServer
请参考[官网文档](https://www.tensorflow.org/tfx/serving/setup)，不过作者更建议使用Docker来运行ModelServer，更多内容参考[在Docker中使用Tensorflow Serving](https://fancyerii.github.io/books/tfserving-docker/)。不过下面为了和原书保持一致，还是假设直接安装了ModelServer，如果读者使用Docker，那么请参考上网启动服务。
### 启动Model Server服务
```
(py3.6-env) lili@lili-Precision-7720:~/codes/deep_learning_theory_and_practice/src/ch6/serving$ tensorflow_model_server --port=9000 --model_name=lr --model_base_path=/home/lili/codes/deep_learning_theory_and_practice/src/ch6/serving/lr_model
....
最终应该输出类似"I tensorflow_serving/model_servers/main.cc:323] Running ModelServer at 0.0.0.0:9000 ..."
的信息，则说明启动成功。
```
**注意：上面的命令一定要把\-\-model_base_path设置成lr_model的绝对路径，请读者更加自己的情况修改。**
### 使用Python Client测试
注意：我们首先需要安装Python clinet:
```
pip install tensorflow-serving-api
```
然后再运行：
```
python linear_regression_client.py
```
### Java Client
首先需要把jar包安装，读者也可以自己打包，参考[这个文章](https://medium.com/@junwan01/a-java-client-for-tensorflow-serving-grpc-api-d37b5ad747aa)，这个过程相对麻烦，还需要Tensorflow源代码)。作者是用到比较老的1.5.0版本的Tensorflow和gRPC 1.4编译的，不过似乎ProtoBuffer和gRPC还是比较稳定的，在新的版本的Tensorflow Serving一般也是可以使用的。如果不行，那么只能读者自己编译了。当然如果输入数据不大，建议使用新版本Tensorflow Serving的REST接口。
```
$ cd tensor-serving-client-test
$ mvn install:install-file -Dfile=tensorflow-serving-java-client-tf-1.5.0-SNAPSHOT.jar -DgroupId=com.easemob.ai.robotapi \
-DartifactId=tensorflow-serving-java-client -Dversion=tf-1.5.0-SNAPSHOT -Dpackaging=jar
$ mvn package
```
### REST client
新版的Tensorflow Serving提供REST接口，这样客户端调用更加方便，如果输入或者输出需要传输的数据特别大，gRPC的方式可能有优势，但是REST接口简单易用便于调试。因为本书基于Tensorflow 1.6.0，因此没有介绍这部分内容，感兴趣的读者请参考[官方文档](https://www.tensorflow.org/tfx/serving/api_rest)。
### Dataset作为输入使用SavedModel API
```
python linear_regression_dataset_save_model.py
```
运行后模型会保存在lr_model_ds，如果要使用这个模型请参考前面的"启动Model Server服务"，需要修改"model_name"和"model_base_path"两个参数。
### Keras训练的模型使用SavedModel API保存
```
python linear_regression_keras_save_model.py
```
## 将PyTorch模型转为TensorFlow模型
### 在PyTorch中将模型保存为onnx格式
```
python pytorch-to-onnx.py
```
最终保存的模型为lr.onnx。
### TensorFlow加载onnx文件然后用SavedModel导出
首先需要安装onnx-tensorflow：
```
pip install onnx-tf
```
然后运行：
```
python onnx-to-tf.py
```
深度学习理论与实践--资源下载
5星 · 超过95%的资源 需积分: 50 179 浏览量
2020-10-29
21:37:38
上传
评论
收藏 40.64MB ZIP 举报 
深度学习理论与实践--资源下载 （107个子文件） 
.gitignore 31B
mnist.pkl.gz 16.26MB train-images-idx3-ubyte.gz 9.45MB t10k-images-idx3-ubyte.gz 1.57MB train-labels-idx1-ubyte.gz 28KB t10k-labels-idx1-ubyte.gz 4KB data_loading_tutorial.ipynb 421KB transfer_learning_tutorial.ipynb 312KB seq2seq-translation-batched-cn.ipynb 162KB time-series.ipynb 117KB seq2seq-translation.ipynb 105KB char-rnn-classifier.ipynb 65KB cifar10_tutorial.ipynb 65KB Linear Regression.ipynb 56KB PyTorch-CNN.ipynb 38KB char-rnn-generator.ipynb 32KB batch-norm.ipynb 29KB dataset.ipynb 22KB deep_learning_tutorial.ipynb 22KB two_layer_net_nn.ipynb 21KB two_layer_net_autograd.ipynb 20KB two_layer_net_custom_function.ipynb 20KB two_layer_net_module.ipynb 20KB two_layer_net_numpy.ipynb 20KB dynamic_net.ipynb 20KB two_layer_net_optim.ipynb 19KB two_layer_net_tensor.ipynb 19KB tf_two_layer_net.ipynb 15KB tensor_tutorial.ipynb 13KB neural_networks_tutorial.ipynb 12KB autograd_tutorial.ipynb 9KB variable_vs_get_variable.ipynb 7KB basic.ipynb 4KB Hello MNIST.ipynb 2KB
tensorflow-serving-java-client-tf-1.5.0-SNAPSHOT.jar 7.48MB LrClient.java 4KB
1.jpg 552KB README.md 6KB README.md 3KB README.md 2KB README.md 1KB README.md 1007B README.md 575B README.md 414B README.md 75B pytorch-to-tf.pb 2KB
cifar10.png 232KB seq2seq.png 25KB 5y6SCvU.png 24KB network.png 21KB K1qMPxs.png 20KB mnist.png 17KB decoder-network.png 13KB encoder-network.png 10KB resnet_model.py 15KB cifar10.py 14KB cifar10_multi_gpu_train.py 10KB cifar10_main.py 10KB cifar10_input.py 10KB network.py 6KB cnn_mnist.py 6KB cifar10_eval.py 5KB rnn.py 5KB custom_estimator.py 5KB cifar10_train.py 4KB mnist_loader.py 4KB premade_estimator.py 3KB iris_data.py 3KB tf-mnist.py 3KB masked_cross_entropy.py 2KB lstm-mnist.py 2KB tf-mnist-cnn.py 2KB linear_regression_dataset_save_model.py 2KB pytorch-to-onnx.py 2KB linear_regression_keras_save_model.py 2KB linear_regression_save_model.py 2KB onnx-to-tf.py 1KB linear_regression_client.py 1KB view_ckpt.py 887B save_variables.py 815B layers.py 784B restore_graph.py 319B __init__.py 0B
eng-fra.txt 10MB eng-chn.txt 1.29MB tiny-shakespeare.txt 1.06MB shakespeare.txt 1.06MB Russian.txt 84KB English.txt 26KB Arabic.txt 13KB Japanese.txt 7KB Italian.txt 6KB German.txt 5KB Czech.txt 4KB Dutch.txt 2KB Spanish.txt 2KB French.txt 2KB Greek.txt 2KB Irish.txt 2KB Chinese.txt 1KB共 107 条
- 1
- 2
资源评论
cedtek2021-10-15感谢分享，自己上 github 网络实在一言难尽，在这下载省事儿
