Tensorflow在Python中导出和重用Estimator对象

Question

问题是关于Tensorflow及其更高的API估算器，更一般地说是关于导出和重用模型。

存在几种导出张量流模型的工具：tf.train.Saver，直接写入和导入图形及其相关权重。

我的兴趣在于tf.estimator.Estimator对象以及我们如何重用它们。我的用例非常简单：我在tensorflow中使用一个简单的模型，并希望在更复杂的一个中使用它的预测。

存在用于服务模型的export_savemodel方法，但是我需要通过端口在我的模型中进行通信，并且我不确定这是否是训练的最佳选择。

我的问题如下：

1. 有没有（简单）方法在python中使用和导入export_savemodel的输出？我猜你可以在技术上使用C ++代码并围绕它们创建包装器？
2. 有没有一种有效的方法来编译tf.estimator.Estimator并在Python中重用它？ XLA编译器似乎很有趣，但我无法知道我是否可以在Python中使用结果。
3. 一般来说，如何在Tensorflow中重用以前训练过的模型的最佳实践是什么？

非常感谢您的阅读！

编辑（我自己的答案）：接受的答案提供使用saved_model API。但是，我认为理解图形和冻结图形的概念是值得的。这个gist link说明了可能在saved_model api中复制的主要步骤。基本上，你必须：

1. 使用重新定义的输入操作重建图形;
2. 冻结这个版本;
3. 在调用input_map重新加载模型时，为tf.import_graph_def参数提供新输入。

Answer 1

1. 是的，请参阅此文档https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/saved_model/README.md。特别是APIs.Loader.Python部分。
2. “编译估算器”是什么意思？估算器使用的所有数据都保存到SavedModel中。重置只是高级协调逻辑。矩阵乘法等实际操作由C ++库提供，可在您拥有的任何硬件上运行 - CPU，GPU或TPU。 XLA是一个非常低级的编译器，远非Estimator API。有关它的更多信息，请搜索关于它的讨论“XLA：TensorFlow，编译！（TensorFlow Dev Summit 2017）”
3. 上面的链接提供了一个非常高级的API。对于较低层，请参阅https://www.tensorflow.org/programmers_guide/meta_graph。在更低层，有GraphDef（参见meta_graph页面中的链接）