Question

我想使用类型tf.contrib.learn.DNNLinearCombinedClassifier的模型的导出方法来保存模型，然后编写tensorflow服务客户端来请求模型的预测。

有人可以解释一下：

如何根据教程中input_fn的结果或预先训练的估算工具的任何其他部分为BaseEstimator.export创建参数？
如何创建要发送到tensorflow服务器实例的request=predict_pb2.PredictRequest()？

Answer 1

我在这里写了一个简单的教程Exporting and Serving a TensorFlow Wide & Deep Model。

要导出估算器，有四个步骤：

将导出功能定义为估算器初始化期间使用的所有功能的列表。
使用create_feature_spec_for_parsing创建功能配置。
使用serving_input_fn构建适合使用的input_fn_utils.build_parsing_serving_input_fn。
使用export_savedmodel()导出模型。

要正确运行客户端脚本，您需要执行以下三个步骤：

创建并将脚本放在/ serve /文件夹中的某个位置，例如/服务/ tensorflow_serving /示例/
通过添加py_binary
构建并运行模型服务器，例如tensorflow_model_server。
创建，构建并运行一个客户端，该客户端将tf.Example发送到我们的tensorflow_model_server进行推断。

如果您的模型是使用Estimator.export_savedmodel()导出的，并且您成功构建了TensorFlow服务，那么您可以执行以下操作：

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)))

有关详细信息，请查看教程本身。

希望它有所帮助。

P.S。此类问题至少还有4个重复项。如果有高代表的人可以关闭或分组，那就太好了）

Answer 2

我按照你提供的参考链接： https://github.com/MtDersvan/tf_playground/blob/master/wide_and_deep_tutorial/wide_and_deep_basic_serving.md

您在哪里定义签名？的 serving_default 我认为当你导出你的模型然后它是必需的。但是在你的导出代码中没有提到。请定义它。

如何在tensorflow服务中保存并提供tf.contrib.learn广泛深度模型？

2 个答案: