~12 min · verification, deployment-prep
전문적 저장 workflow는 저장에서 끝나지 않아 — 불러온 model이 원본과 동일한 출력 내는지 검증. 수치적 차이는 inference mode의 BatchNormalization, 직렬화 잘 안 된 custom layer 설정, 버전 불일치에서 슬그머니 들어올 수 있어.
검증은 간단: 저장 전 고정 test 샘플로 예측, 불러온 model로 예측, 비교. max 절대 차이가 0 근처여야 (float32엔 < 1e-5). 그보다 크면 직렬화 버그 — 배포 후가 아니라 전에 찾아.
import tensorflow as tf
import numpy as np
import os
# Build, train (snippet)
model = tf.keras.Sequential([
tf.keras.Input(shape=(784,)),
tf.keras.layers.Dense(256, activation='relu'),
tf.keras.layers.BatchNormalization(),
tf.keras.layers.Dropout(0.3),
tf.keras.layers.Dense(10),
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# ... model.fit(...)
# 1. Capture original predictions
test_sample = x_test[:10]
original = model.predict(test_sample)
# 2. Save in multiple formats
os.makedirs('exports', exist_ok=True)
model.save('exports/model.keras')
model.save('exports/saved_model/')
model.save_weights('exports/weights.weights.h5')
# 3. Verify each format
def verify(loaded, name):
preds = loaded.predict(test_sample)
diff = np.max(np.abs(original - preds))
print(f"{name}: max diff = {diff:.8f}")
assert diff < 1e-5, f"{name} differs! diff={diff}"
verify(tf.keras.models.load_model('exports/model.keras'), '.keras')
verify(tf.keras.models.load_model('exports/saved_model/'), 'SavedModel')
# 4. Version-stamp for TF Serving
tf.saved_model.save(model, 'serving/my_classifier/1/')
print("All formats verified. Ready for deployment.").keras와 SavedModel로 저장. 각각 다시 로드하고 예측이 원본과 1e-5 안에 일치하는지 검증. 더 큰 차이 보이면 어느 layer가 범인인지 파.아직 댓글이 없어요. 첫 댓글을 남겨보세요.