Obtenir l'erreur 'str' L'objet n'a pas d'attribut 'dtype' lors de l'exportation du modèle textsum pour TensorFlow Serving

Question

J'essaie actuellement d'exporter un modèle TF textum en utilisant la PREDICT SIGNATURE. J'ai _Decode renvoyant un résultat d'une chaîne d'article de test passée, puis je passe cela à buildTensorInfo. C'est en fait une chaîne retournée.

Maintenant, quand j'exécute la logique textsum_export.py pour exporter le modèle, il arrive au point où est construit l'objet TensorInfo mais des erreurs avec la trace ci-dessous. Je sais que la signature PREDICT est généralement utilisée avec des images. Est-ce le problème? Est-ce que je ne peux pas l'utiliser pour le modèle Textsum parce que je travaille avec des cordes?

erreur est:

Traceback (most recent call last): 
    File "export_textsum.py", line 129, in Export 
    tensor_info_outputs = tf.saved_model.utils.build_tensor_info(res) 
    File "/usr/local/lib/python2.7/site-packages/tensorflow/python/saved_model/utils_impl.py", line 37, in build_tensor_info 
    dtype_enum = dtypes.as_dtype(tensor.dtype).as_datatype_enum 
AttributeError: 'str' object has no attribute 'dtype' 

La session TF où le modèle est exporté est ci-dessous:

with tf.Session(config = config) as sess: 

       # Restore variables from training checkpoints. 
       ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir) 
       if ckpt and ckpt.model_checkpoint_path: 
        saver.restore(sess, ckpt.model_checkpoint_path) 
        global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1] 
        print('Successfully loaded model from %s at step=%s.' % 
         (ckpt.model_checkpoint_path, global_step)) 
        res = decoder._Decode(saver, sess) 

        print("Decoder value {}".format(type(res))) 
       else: 
        print('No checkpoint file found at %s' % FLAGS.checkpoint_dir) 
        return 

       # Export model 
       export_path = os.path.join(FLAGS.export_dir,str(FLAGS.export_version)) 
       print('Exporting trained model to %s' % export_path) 


       #------------------------------------------- 

       tensor_info_inputs = tf.saved_model.utils.build_tensor_info(serialized_tf_example) 
       tensor_info_outputs = tf.saved_model.utils.build_tensor_info(res) 

       prediction_signature = (
        tf.saved_model.signature_def_utils.build_signature_def(
         inputs={ tf.saved_model.signature_constants.PREDICT_INPUTS: tensor_info_inputs}, 
         outputs={tf.saved_model.signature_constants.PREDICT_OUTPUTS:tensor_info_outputs}, 
         method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME 
         )) 

       #---------------------------------- 

       legacy_init_op = tf.group(tf.tables_initializer(), name='legacy_init_op') 
       builder = saved_model_builder.SavedModelBuilder(export_path) 

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

       print('Successfully exported model to %s' % export_path) 

Answer 1

PREDICT travail de signature avec tenseurs, si res est variable python type 'str', puis res_tensor sera de DTYPE tf.string

res_tensor = tf.convert_to_tensor(res)