我最近开始使用Tensorflow，并尝试使用tf.estimator.Estimator对象。我想做一个自然而然的先验操作：训练完我的分类器（即tf.estimator.Estimator的实例（使用train方法）之后，我想将其保存在文件中（无论扩展名是什么） ），然后稍后重新加载以预测一些新数据的标签。由于官方文档建议使用Estimator API，因此我认为应该实施和记录同样重要的内容。
我在其他页面上看到执行此操作的方法是export_savedmodel（请参阅the official documentation），但我根本不理解文档。没有说明如何使用此方法。参数serving_input_fn是什么？在Creating Custom Estimators教程或我阅读的任何教程中，我都从未遇到过。通过做一些谷歌搜索，我发现大约一年前，估计器是使用另一个类（tf.contrib.learn.Estimator）定义的，看起来像tf.estimator.Estimator正在重用一些以前的API。但是我在文档中找不到关于它的明确解释。
有人可以给我一个玩具的例子吗？或向我解释如何定义/查找此serving_input_fn？
然后如何再次加载经过训练的分类器？
谢谢您的帮助！
编辑：我发现并不一定需要使用export_savemodel来保存模型。它实际上是自动完成的。然后，如果稍后我们定义一个具有相同model_dir参数的新估算器，它也会自动还原先前的估算器，如here所述。
答案 0 :(得分：0)
如您所知，估计器在训练过程中会自动为您保存恢复模型。如果要将模型部署到字段（例如，为Tensorflow服务提供最佳模型），export_savemodel可能会有用。
这是一个简单的例子：
est.export_savedmodel(export_dir_base=FLAGS.export_dir, serving_input_receiver_fn=serving_input_fn)
def serving_input_fn():
inputs = {'features': tf.placeholder(tf.float32, [None, 128, 128, 3])}
return tf.estimator.export.ServingInputReceiver(inputs, inputs)
基本上serving_input_fn负责用占位符替换数据集管道。在部署中，您可以将数据作为该模型的输入提供给该占位符，以进行推理或预测。