Тензор не является элементом этого графика; развертывание модели Keras

Im развертывание модели keras и отправка тестовых данных в модель через флягу api. У меня два файла:

Во-первых: My Flask App:

# Let startup the Flask application
app = Flask(__name__)

# Model reload from jSON:
print('Load model...')
json_file = open('models/model_temp.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
keras_model_loaded = model_from_json(loaded_model_json)
print('Model loaded...')

# Weights reloaded from .h5 inside the model
print('Load weights...')
keras_model_loaded.load_weights("models/Model_temp.h5")
print('Weights loaded...')

# URL that we'll use to make predictions using get and post
@app.route('/predict',methods=['GET','POST'])
def predict():
    data = request.get_json(force=True)
    predict_request = [data["month"],data["day"],data["hour"]] 
    predict_request = np.array(predict_request)
    predict_request = predict_request.reshape(1,-1)
    y_hat = keras_model_loaded.predict(predict_request, batch_size=1, verbose=1)
    return jsonify({'prediction': str(y_hat)}) 

if __name__ == "__main__":
    # Choose the port
    port = int(os.environ.get('PORT', 9000))
    # Run locally
    app.run(host='127.0.0.1', port=port)

Второй: файл Im, используемый для отправки данных json, отправляемых в конечную точку api:

response = rq.get('api url has been removed')
data=response.json()
currentDT = datetime.datetime.now()
Month = currentDT.month
Day = currentDT.day
Hour = currentDT.hour

url= "http://127.0.0.1:9000/predict"
post_data = json.dumps({'month': month, 'day': day, 'hour': hour,})
r = rq.post(url,post_data)

Я получаю этот ответ от Flask относительно Tensorflow:

ValueError: Тензорный тензор ("dense_6/BiasAdd: 0", shape = (?, 1), dtype = float32) не является элементом этого графика.

Моя модель keras - это простая модель с 6 плотными слоями и поезда без ошибок.

Есть идеи?

Ответ 1

Flask использует несколько потоков. Проблема, с которой вы сталкиваетесь, заключается в том, что модель tenorflow не загружается и не используется в одном потоке. Один из обходных путей - заставить тензорный поток использовать график по умолчанию.

Добавьте это после загрузки вашей модели

global graph
graph = tf.get_default_graph() 

И внутри вашего прогноза

with graph.as_default():
    y_hat = keras_model_loaded.predict(predict_request, batch_size=1, verbose=1)

Ответ 2

Намного проще обернуть вашу модель keras в класс, и этот класс может отслеживать свой собственный график и сеанс. Это предотвращает проблемы, которые могут быть вызваны несколькими потоками/процессами/моделями, что почти наверняка является причиной вашей проблемы. В то время как другие решения будут работать, это, безусловно, самый общий, масштабируемый и охватывающий все. Используйте это:

import os
from keras.models import model_from_json
from keras import backend as K
import tensorflow as tf
import logging

logger = logging.getLogger('root')


class NeuralNetwork:
    def __init__(self):
        self.session = tf.Session()
        self.graph = tf.get_default_graph()
        # the folder in which the model and weights are stored
        self.model_folder = os.path.join(os.path.abspath("src"), "static")
        self.model = None
        # for some reason in a flask app the graph/session needs to be used in the init else it hangs on other threads
        with self.graph.as_default():
            with self.session.as_default():
                logging.info("neural network initialised")

    def load(self, file_name=None):
        """
        :param file_name: [model_file_name, weights_file_name]
        :return:
        """
        with self.graph.as_default():
            with self.session.as_default():
                try:
                    model_name = file_name[0]
                    weights_name = file_name[1]

                    if model_name is not None:
                        # load the model
                        json_file_path = os.path.join(self.model_folder, model_name)
                        json_file = open(json_file_path, 'r')
                        loaded_model_json = json_file.read()
                        json_file.close()
                        self.model = model_from_json(loaded_model_json)
                    if weights_name is not None:
                        # load the weights
                        weights_path = os.path.join(self.model_folder, weights_name)
                        self.model.load_weights(weights_path)
                    logging.info("Neural Network loaded: ")
                    logging.info('\t' + "Neural Network model: " + model_name)
                    logging.info('\t' + "Neural Network weights: " + weights_name)
                    return True
                except Exception as e:
                    logging.exception(e)
                    return False

    def predict(self, x):
        with self.graph.as_default():
            with self.session.as_default():
                y = self.model.predict(x)
        return y

Ответ 3

Сразу после загрузки модели добавьте model._make_predict_function() '

# Model reload from jSON:
print('Load model...')
json_file = open('models/model_temp.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
keras_model_loaded = model_from_json(loaded_model_json)
print('Model loaded...')

# Weights reloaded from .h5 inside the model
print('Load weights...')
keras_model_loaded.load_weights("models/Model_temp.h5")
print('Weights loaded...')
keras_model_loaded._make_predict_function()

Ответ 4

Оказывается, этот способ не требует вызова clear_session и в то же время удобен для конфигурации, используя объект графа из настроенного сеанса session = tf.Session(config=_config); self.graph = session.graph session = tf.Session(config=_config); self.graph = session.graph и прогноз по созданному графику по умолчанию with self.graph.as_default(): предлагает чистый подход

from keras.backend.tensorflow_backend import set_session
...
def __init__(self):
    config = self.keras_resource()
    self.init_model(config)

def init_model(self, _config, *args):
    session = tf.Session(config=_config)
    self.graph = session.graph
    #set configured session 
    set_session(session)
    self.model = load_model(file_path)

def keras_resource(self):
    config = tf.ConfigProto()
    config.gpu_options.allow_growth = True
    return config

def predict_target(self, to_predict):
    with self.graph.as_default():
        predict = self.model.predict(to_predict)
    return predict

Ответ 5

Я. Это их ошибка, когда вы прогнозируете по модели с керасом. Керас не сможет построить график из-за какой-то ошибки. Попробуйте предсказать изображения из модели с помощью тензорного потока. Просто замените эту строку кода

Код Keras:

features = model_places.predict( img )

код тензорного потока:

import tensorflow as tf

graph = tf.get_default_graph()

импортируйте эту библиотеку в свой код и замените.

 with graph.as_default():
    features = model_places.predict( img ).tolist()

Если проблема все еще не решена:

если проблема не решена, попробуйте обновить график.

Поскольку ваш код в порядке, его следует решить с помощью чистой среды.

Очистить кеш кэша в ~/.keras/

Запустите в новой среде с правильными пакетами (это легко сделать с помощью anaconda)

Убедитесь, что вы находитесь на новом сеансе, keras.backend.clear_session() должен удалить все существующие графики tf.

Код Keras:

keras.backend.clear_session()
features = model_places.predict( img )

Код ТензорФлоу:

import tensorflow as tf
with tf.Session() as sess:
    tf.reset_default_graph()