Question

我正在尝试训练和部署简化的Quick，Draw！来自Google Cloud here的分类器。我已经设法在GC中训练模型，现在更确切地说是在creating serving input functions处停留在部署模型。

我正在遵循here的指示，并且在尝试理解输入张量应为哪种类型时遇到困难。

错误：

TypeError：无法将类型的对象转换为Tensor。内容：SparseTensor（indices = Tensor（“ ParseExample / ParseExample：0”，shape =（?, 2），dtype = int64），values = Tensor（“ ParseExample / ParseExample：1”，shape =（?,），dtype = float32），density_shape = Tensor（“ ParseExample / ParseExample：2”，shape =（2，），dtype = int64））。考虑将元素强制转换为受支持的类型。

服务功能：

def serving_input_receiver_fn():
  serialized_tf_example = tf.placeholder(dtype=tf.string, shape=[None], name='input_tensors')
  receiver_tensors = {'infer_inputs': serialized_tf_example}
  features = tf.parse_example(serialized_tf_example, feature_spec)
  return tf.estimator.export.ServingInputReceiver(features, receiver_tensors)

功能说明：

feature_spec = {
    "ink": tf.VarLenFeature(dtype=tf.float32),
    "shape": tf.FixedLenFeature([2], dtype=tf.int64)
}

输入层：

def _get_input_tensors(features, labels):
  shapes = features["shape"]
  lengths = tf.squeeze(
    tf.slice(shapes, begin=[0, 0], size=[params.batch_size, 1]))
  inks = tf.reshape(features["ink"], [params.batch_size, -1, 3])

  if labels is not None:
    labels = tf.squeeze(labels)
  return inks, lengths, labels

获取了模型代码和训练数据here。

Answer 1

尝试一下：

def serving_input_receiver_fn():
  ink = tf.placeholder(dtype=tf.float32, shape=[None, None, 3], name='ink')
  length = tf.placeholder(dtype=tf.int64, shape=[None, 1])
  features = {"ink": inks, "length": lengths}
  return tf.estimator.export.ServingInputReceiver(features, features)

有效载荷示例为：

{"instances": [{"ink": [[0.1, 1.0, 2.0]], "length":[[1]]}]}

或作为gcloud predict --json-instances的输入：

{"ink": [[0.1, 1.0, 2.0]], "length":[[1]]}]

我没有研究实际的代码；如果墨水通常会容纳很多浮标，则可能需要考虑使用其他编码系统。

使用export_saved_model导出张量流图

1 个答案: