0
雷锋网(公众号：雷锋网)按：本文为雷锋字幕组编译的技术博客，原标题 Smart way to serialize/deserialize classes to/from Tensorflow graph ，作者为 Francesco Zuppichini 。
翻译 |王袆 整理 | MY
将类中的字段和 graph 中的 tensorflow 变量进行自动绑定，并且在不需要手动将变量从 graph 中取出的情况下进行重存，听起来有没有很炫酷？
可以点击这里找到本文所涉及的代码。Jupyter-notebook 的版本点击这里。
假设你有一个 Model 类。
一般来说，首先需要构建模型，然后对模型进行训练。之后无需再次从头重新构建训练模型，而是从已经保存的 graph 中获取旧变量来进行使用。
假设我们已经训练好了模型，现在我们想要把它保存下来。通常的模式是：
接下来你会通过加载已保存的 graph 来执行 inference，也就是把变量取出的操作。在下面的例子中，我们将变量命名为 variable 。
现在我们可以从 graph 中取出变量 variable 。
假如我们想要再次使用 model 类要怎么办？如果我们尝试去调用 model.variable，得到的结果会是 None。
一个解决方案是重新构建整个模型，然后重新保存一个 graph 。
可以想见，这个过程肯定非常耗费时间。我们可以通过直接将 model.variable 绑定到相应的 graph 节点上来实现，如下：
假设我们有一个非常大的模型，且内含嵌套变量。
为了能够将变量指针正确的重存进模型，你需要
为每个变量命名
从 graph 中取回变量
如果可以通过在 Model 类中将变量设置为字段的方式来实现自动检索，这听起来就很酷，有没有？
TFGraphConvertible
我创建了一个 TFGraphConvertible 类，你可以用这个 TFGraphConvertible 类来自动进行类的序列化和反序列化。
让我们来重新创建我们的模型。
它会暴露两个方法： to_graph 和 from_graph 方法。
序列化 — to_graph
你可以通过调用 to_graph 方法来进行类的序列化，这个方法会创建一个以字段为 key ， tensorflow 变量名为值的字典。
你想要序列化哪些字段来构建这个字典，那么你需要将这些字段作为 fields 参数传入。
在下例中，我们传入所有这些字段。
这会创建全量字典，以字段作为关键字，以每个字段对应的 tensorflow 变量名作为值。
反序列化 — from_graph
你可以通过调用 from_graph 方法来进行类的反序列化，这个方法通过我们在上文中构建的字典内容，将类中的字段绑定到对应的 tensorflow 变量上。
现在你恢复了 model 。
完整的例子
来看一个更有趣的例子！我们接下来要用 MNIST 数据集来训练／恢复一个模型。
首先，获取数据集。
现在我们用这个数据集来进行训练
完美！接下来我们将这个序列化后的模型存到内存中。
接着我们重置 graph，并且重建模型。
显而易见，变量并没有在 mnist_model 中。
我们通过调用 from_graph 方法来重建它们
现在 mnist_model 已经可以使用了，我们来看一下在测试集上的精确度如何吧。
结论
通过这次的教程，我们了解了如何进行类的序列化，以及如何在 tensorflow graph 中将类中的字段反绑到对应的变量上。
并且可以将 serialized_model 保存成 .json 格式，然后从任意位置直接加载它。
通过这种方式，你可以通过面向对象编程的方式来直接创建模型，且无需重新构建就可以索引到所有的变量。
感谢您的阅读。
雷锋网雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
