通过RESTful API部署Tensorflow模型的示例

Question

是否有通过RESTful API部署Tensorflow模型的示例代码？我看到了命令行程序和移动应用程序的示例。是否有一个框架，人们只需加载模型并通过Web框架（如Flask）公开预测方法来获取输入（比如通过JSON）并返回响应？通过框架，我的意思是扩展大量的预测请求。当然，由于模型是不可变的，我们可以启动预测服务器的多个实例并将其置于负载均衡器（如HAProxy）之后。我的问题是，人们是否正在使用某种框架或从头开始这样做，或者，这可能已经在Tensorflow中提供，我还没有注意到它。

Answer 1

https://github.com/sugyan/tensorflow-mnist通过使用Flask和加载预训练模式（恢复）显示了一个简单的restAPI示例。

@app.route('/api/mnist', methods=['POST'])
def mnist():
    input = ((255 - np.array(request.json, dtype=np.uint8)) / 255.0).reshape(1, 784)
    output1 = simple(input)
    output2 = convolutional(input)
    return jsonify(results=[output1, output2])

另请参阅https://tensorflow-mnist.herokuapp.com/的在线演示。似乎API足够快。

Answer 2

TensorFlow Serving是一款用于机器学习模型的高性能开源服务系统，专为生产环境而设计，并针对TensorFlow进行了优化。初始版本包含使用gRPC构建的示例，但您可以使用RESTful API轻松替换前端（在下图中表示为“client”）以满足您的需求。

要快速入门，请查看tutorial。