Keras多線程機(jī)制與flask多線程沖突的解決方案

在使用flask部署Keras，tensorflow等框架時(shí)候，經(jīng)常出現(xiàn)

FailedPreconditionError: Attempting to use uninitialized value batchnormalization_

或者

Tensor Tensor("crf_1/cond/Merge:0", shape=(?, ?, 260), dtype=float32) is not an element of this graph.

使用keras.backend.clear_session()可能會(huì)導(dǎo)致前后兩處預(yù)測結(jié)果不一樣，因?yàn)閳D發(fā)生了變化。以下是解決方案。

graph = tf.get_default_graph()
sess = tf.Session(graph=graph) 
 
def modelpredict(content):
    #keras.backend.clear_session()
    global graph
    global sess
    with sess.as_default():
        with graph.as_default():
            keras.model.predict()

補(bǔ)充：Flask與keras結(jié)合的幾個(gè)常見錯(cuò)誤

1、 ValueError: Tensor Tensor(“dense_1/Sigmoid:0”, shape=(?, 1), dtype=float32) is not an element of this graph.

在Flask中使用tensorflow的model，一在界面中調(diào)用 model.predict() 就報(bào)下面這個(gè)錯(cuò)誤，不過在單獨(dú)的 .py 文件中使用卻不報(bào)錯(cuò)。

ValueError: Tensor Tensor("dense_1/Sigmoid:0", shape=(?, 1), dtype=float32) is not an element of this graph.

添加如下代碼可以解決：

import tensorflow as tf
graph = tf.get_default_graph()
model = models.load_model(…………)

# 使用處添加：
global graph
global model
with graph.as_default():
    model.predict()
    # 執(zhí)行預(yù)測函數(shù)

但是我當(dāng)時(shí)測試時(shí)又報(bào)了另一個(gè)bug，但是這個(gè)bug也不好解決，試了很多方法也沒解決，當(dāng)然最終還是可以解決的，具體解決方式參考第三點(diǎn)。

tensorflow.python.framework.errors_impl.FailedPreconditionError: Error while reading resource variable dense_1/bias from Container: localhost. This could mean that the variable was uninitialized. Not found: Resource localhost/dense_1/bias/class tensorflow::Var does not exist.
[[{{node dense_1/BiasAdd/ReadVariableOp}}]]

后來經(jīng)過N遍測試后找到了以下兩種解決方式，僅供參考：

方法一：

在調(diào)用前加載model和graph，但是這樣會(huì)導(dǎo)致程序每次調(diào)用都需要重新加載model，然后運(yùn)行速度就會(huì)很慢，不過這種修改方式是最簡單的。

graph = tf.get_default_graph()
    model = models.load_model('./static/my_model2.h5')
    with graph.as_default():
        result = model.predict(tokens_pad)

方法二：

在創(chuàng)建model后，先使用一遍 model.predict()，參數(shù)的大小和真實(shí)大小一致，這個(gè)是真正解決之道，同時(shí)不影響使用速率。

# 使用前：
model = models.load_model('./static/my_model2.h5')
# a 矩陣大小和 tokens_pad 一致
a = np.ones((1, 220))
model.predict(a)

# 使用時(shí)：
global model
result = model.predict(tokens_pad)

但是在使用后又遇到了 The Session graph is empty…… 的錯(cuò)誤即第二點(diǎn)，不過估摸著這個(gè)是個(gè)例，應(yīng)該是程序問題。

2、RuntimeError: The Session graph is empty. Add operations to the graph before calling run().

graph = tf.get_default_graph()
    with graph.as_default():
        # 相關(guān)代碼
        # 本次測試中是需要把調(diào)用包含model.predict()方法的方法的代碼放到這里

3、tensorflow.python.framework.errors_impl.FailedPreconditionError: Error while reading resource variable dense_1/bias from Container: localhost. This could mean that the variable was uninitialized. Not found: Resource localhost/dense_1/bias/class tensorflow::Var does not exist.[[{{node dense_1/BiasAdd/ReadVariableOp}}]]

這個(gè)錯(cuò)誤呢，也是TensorFlow和Flask結(jié)合使用時(shí)的常見錯(cuò)誤，解決方式如下：

from tensorflow.python.keras.backend import set_session
# 程序開始時(shí)聲明
sess = tf.Session()
graph = tf.get_default_graph()

# 在model加載前添加set_session
set_session(sess)
model = models.load_model(…………)

# 每次使用有關(guān)TensorFlow的請(qǐng)求時(shí)
# in each request (i.e. in each thread):
global sess
global graph
with graph.as_default():
    set_session(sess)
    model.predict(...)
————————————————

4、 Can't find libdevice directory ${CUDA_DIR}/nvvm/libdevice. This may result in compilation or runtime failures, if the program we try to run uses routines from libdevice

設(shè)置一下XLA_FLAGS指向你的cuda安裝目錄即可

os.environ["XLA_FLAGS"]="--xla_gpu_cuda_data_dir=/usr/local/cuda-10.0"

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。