如何程序化检查TensorFlow SavedModel？批量不可信模型自动化检测问询

当然可以！TensorFlow 2其实提供了不少API来自动化检测SavedModel的这些核心特征，完全不需要依赖TensorBoard手动操作。我来给你一步步拆解实现方法：

1. 先加载模型并获取签名 #

SavedModel的输入输出定义都存在**签名（Signature）**里，首先我们需要加载模型并拿到对应的签名（通常默认的服务签名是serving_default）：

import tensorflow as tf

# 加载SavedModel
model = tf.saved_model.load("/path/to/your/saved_model")

# 获取默认服务签名（如果有其他签名，替换成对应的名字即可）
infer_signature = model.signatures["serving_default"]

2. 提取输入输出的规格信息 #

通过签名的structured_input_signature和structured_outputs属性，可以直接拿到输入输出的TensorSpec，里面包含了尺寸、数据类型等关键信息：

# 打印输入规格
print("=== 输入特征 ===")
for input_name, input_spec in infer_signature.structured_input_signature[1].items():
    print(f"名称: {input_name}, 尺寸: {input_spec.shape}, 数据类型: {input_spec.dtype}")

# 打印输出规格
print("\n=== 输出特征 ===")
for output_name, output_spec in infer_signature.structured_outputs.items():
    print(f"名称: {output_name}, 尺寸: {output_spec.shape}, 数据类型: {output_spec.dtype}")

注意：如果输入尺寸里有None，代表这是动态维度（比如批量大小batch_size），这种情况也能直接从TensorSpec里看出来。

3. （可选）获取实际运行后的输出尺寸 #

如果需要确认喂入具体输入后的实际输出尺寸，可以构造一个符合规格的示例输入，运行模型后查看：

# 构造示例输入（动态维度可以填具体数值，比如batch_size设为1）
sample_inputs = {
    name: tf.random.normal(spec.shape if spec.shape.rank is not None else (1, *spec.shape[1:]))
    for name, spec in infer_signature.structured_input_signature[1].items()
}

# 运行模型
outputs = infer_signature(**sample_inputs)

# 打印实际输出尺寸
print("\n=== 实际输出尺寸 ===")
for output_name, output_tensor in outputs.items():
    print(f"名称: {output_name}, 实际尺寸: {output_tensor.shape}")

要获取模型的算子信息，我们可以通过追踪模型的执行过程，导出计算图然后遍历节点：

# 用tf.function追踪模型执行，生成具体的计算图
@tf.function
def run_model(inputs):
    return infer_signature(**inputs)

# 获取包含算子信息的具体函数
concrete_func = run_model.get_concrete_function(sample_inputs)

# 遍历计算图中的节点，提取算子信息
print("\n=== 算子类型与执行顺序 ===")
for node in concrete_func.graph.as_graph_def().node:
    # 过滤掉一些无关的内部节点（比如常量、占位符、Identity转换），只保留核心算子
    if node.op not in ["Const", "Placeholder", "Identity", "NoOp"]:
        print(f"算子类型: {node.op}, 节点名称: {node.name}")

这里的节点顺序就是模型执行时的拓扑顺序，完全符合算子的实际运行流程。如果需要更详细的算子属性（比如算子的参数、输入输出张量），可以访问node.attr和node.input等属性。

• 如果你的模型是用Keras保存的SavedModel，也可以直接用model.input_shape和model.output_shape快速查看输入输出尺寸，但签名的方式更通用，适用于所有类型的SavedModel（比如用tf.Module保存的自定义模型）。
• 如果模型有多个签名（比如同时支持训练和推理），可以通过model.signatures.keys()列出所有可用签名，然后逐个分析。

内容的提问来源于stack exchange，提问作者lodo