Ici, j'ai écrit un tutoriel simple Exporting and Serving a TensorFlow Wide & Deep Model.
Pour exporter un estimateur il y a quatre étapes:
pour définir les caractéristiques d'exportation comme une liste de toutes les fonctions utilisées lors de l'initialisation de l'estimateur.
Créez une configuration de fonctionnalité en utilisant create_feature_spec_for_parsing
.
Construire un serving_input_fn
pouvant être utilisé pour servir avec input_fn_utils.build_parsing_serving_input_fn
.
Exportez le modèle à l'aide de export_savedmodel()
.
Pour exécuter un script client correctement, vous devez faire trois étapes suivantes:
Créer et placer quelque part votre script dans le répertoire/service/dossier, par exemple/serving/tensorflow_serving/example/
Créez ou modifiez le fichier BUILD correspondant en ajoutant un py_binary
.
Créez et exécutez un serveur de modèle, par ex. tensorflow_model_server
.
Créer, générer et exécuter un client qui envoie un tf.Exemple à notre tensorflow_model_server
pour l'inférence.
Si votre modèle est exporté à l'aide Estimator.export_savedmodel()
et vous avez construit avec succès tensorflow lui-même au service, voici quelque chose que vous pouvez faire:
from grpc.beta import implementations
from tensorflow_serving.apis import predict_pb2
from tensorflow_serving.apis import prediction_service_pb2
tf.app.flags.DEFINE_string('server', 'localhost:9000', 'Server host:port.')
tf.app.flags.DEFINE_string('model', 'wide_and_deep', 'Model name.')
FLAGS = tf.app.flags.FLAGS
...
def main(_):
host, port = FLAGS.server.split(':')
# Set up a connection to the TF Model Server
channel = implementations.insecure_channel(host, int(port))
stub = prediction_service_pb2.beta_create_PredictionService_stub(channel)
# Create a request that will be sent for an inference
request = predict_pb2.PredictRequest()
request.model_spec.name = FLAGS.model
request.model_spec.signature_name = 'serving_default'
# A single tf.Example that will get serialized and turned into a TensorProto
feature_dict = {'age': _float_feature(value=25),
'capital_gain': _float_feature(value=0),
'capital_loss': _float_feature(value=0),
'education': _bytes_feature(value='11th'.encode()),
'education_num': _float_feature(value=7),
'gender': _bytes_feature(value='Male'.encode()),
'hours_per_week': _float_feature(value=40),
'native_country': _bytes_feature(value='United-States'.encode()),
'occupation': _bytes_feature(value='Machine-op-inspct'.encode()),
'relationship': _bytes_feature(value='Own-child'.encode()),
'workclass': _bytes_feature(value='Private'.encode())}
label = 0
example = tf.train.Example(features=tf.train.Features(feature=feature_dict))
serialized = example.SerializeToString()
request.inputs['inputs'].CopyFrom(
tf.contrib.util.make_tensor_proto(serialized, shape=[1]))
# Create a future result, and set 5 seconds timeout
result_future = stub.Predict.future(request, 5.0)
prediction = result_future.result().outputs['scores']
print('True label: ' + str(label))
print('Prediction: ' + str(np.argmax(prediction)))
Pour plus de détails consulter le guide pédagogique lui-même.
Espérons que ça aide.
P.S. Il existe au moins 4 autres doublons pour ce type de question.Si quelqu'un avec rep élevé pourrait fermer ou de les regrouper, ce serait bien)
Bienvenue chez SO. Veuillez lire ceci [how-to-answer] (http://stackoverflow.com/help/how-to-answer) pour fournir une réponse de qualité. – thewaywewere
Vous pouvez trouver ** serving_default ** ici [signature_constants] (https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/saved_model/signature_constants.py). Les estimateurs en conserve les définissent automatiquement. – MtDersvan