查看 tensorflow hub 模型文件信息

有时候，工程需要，我们可以使用他人训练好的模型进行推理。

方法1，在 你配置好的 tf 环境中，运行下述指令，会输出模型相关信息

saved_model_cli show --dir /home/ncut/code_garden/models_downloaded/mnist-tensorflow1-logits-v1 --all

这是我的模型信息：

或者使用 python脚本输出信息

import tensorflow as tf

# 替换成你的模型路径
model_path = "your/saved_model/path"

# 加载模型
loaded_model = tf.saved_model.load(model_path)

# 打印可用方法
print("\n=== 可用方法 ===")
print("可用的签名方法:", list(loaded_model.signatures.keys()))

# 获取默认的serving签名（通常是最重要的）
serving_fn = loaded_model.signatures["serving_default"]
print("\n=== 默认serving签名的输入/输出 ===")

# 打印输入信息
print("\n输入信息:")
for input_tensor in serving_fn.structured_input_signature[1].values():
    print(f"名称: {input_tensor.name}")
    print(f"数据类型: {input_tensor.dtype}")
    print(f"形状: {input_tensor.shape}")
    print("----------------------")

# 打印输出信息
print("\n输出信息:")
for output_tensor in serving_fn.structured_outputs.values():
    print(f"名称: {output_tensor.name}")
    print(f"数据类型: {output_tensor.dtype}")
    print(f"形状: {output_tensor.shape}")
    print("----------------------")

# 检查是否有其他可用方法
print("\n=== 其他可用方法检查 ===")
if hasattr(loaded_model, 'train'):
    print("检测到训练方法: model.train()")
else:
    print("没有找到显式的训练方法")

# 如果是Keras模型，尝试显示summary
try:
    print("\n=== Keras模型信息 ===")
    loaded_model.summary()
except AttributeError:
    print("\n该模型不是Keras模型或没有summary方法")

# 打印所有签名详细信息
print("\n=== 所有签名详细信息 ===")
for name, signature in loaded_model.signatures.items():
    print(f"\n签名名称: {name}")
    print("输入:", signature.inputs)
    print("输出:", signature.outputs)

还存在第三种方法，如果你模型的作者公布了文档，可以阅读文档，里面会有对模型的介绍说明。比如 tf hub 网站中的 BlazeFace 模型。