Как написать пользовательскую операцию Tensorflow, содержащую постоянный объект C++?

Я разрабатываю модель последовательности Tensorflow, которая использует поиск луча через граф декодирования OpenFST (загруженный из двоичного файла) по выходным логитам из модели последовательности Tensorflow.

Я написал пользовательскую операцию, которая позволяет мне выполнять декодирование логитов, но каждый раз перед выполнением декодирования я вызываю операцию fst::Read(BINARY_FILE). Это может быть хорошо, пока он остается небольшим, но я хотел бы избежать накладных расходов на ввод-вывод.

Я прочитал пользовательскую операцию Tensorflow и попытался найти похожие примеры, но я все еще потерян. В принципе, что я хочу сделать на графике:

FstDecodingOp.Initialize('BINARY_FILE.bin') #loads the BINARY_FILE.bin into memory
...
for o in output:
    FstDecodingOp.decode(o) # uses BINARY_FILE.bin to decode

Это, конечно, было бы просто в Python за пределами графа тензорного потока, но мне нужно в конечном итоге переместить это в ванильную среду TF-Serving, поэтому его нужно заморозить в графе экспорта. Кто-нибудь сталкивался с подобной проблемой раньше?

Решение:

Не понимал, что вы можете установить частные атрибуты, используя «OpKernel (контекст)». Просто инициализировал его с помощью этой функции.

Обновлено: более подробно о том, как я это сделал. Еще не пробовали обслуживать.

REGISTER_OP("FstDecoder")
    .Input("log_likelihoods: float")
    .Attr("fst_decoder_path: string")
    ....

...

template <typename Device, typename T>
class FstDecoderOp : public OpKernel {

private:
   fst::Fst<fst::StdArc>* fst_;
   float beam_;

public:
  explicit FstDecoderOp(OpKernelConstruction* context) : OpKernel(context) {
    OP_REQUIRES_OK(context, context->GetAttr("beam", &beam_));

    std::string fst_path;
    OP_REQUIRES_OK(context, context->GetAttr("fst_decoder_path", &fst_path));

    fst_ = fst::Fst<fst::StdArc>::Read(fst_path);
  }

  void Compute(OpKernelContext* context) override {
    // do some compute 
    const Tensor* log_likelihoods;

    OP_REQUIRES_OK(context, context->input("log_likelihoods", 
     &log_likelihoods));

    // simplified 
    compute_op(_fst, log_likelihoods);

  }
};

В питоне:

sess = tf.Session()
mat = tf.placeholder(tf.float32, shape=test_npy.shape)
res_ = decoder_op.fst_decoder(beam=30, fst_decoder_path = "decoder_path.fst", log_likelihoods=mat)
res = sess.run(res_, {mat : test_npy} )