Question

我正在尝试在tensorflow中构建一个分类器，我已经编写了模型并对其进行了测试以确定它是否正常工作但是希望将其构建用于生产，但似乎找不到将输入传递到模型的方法这是我用来训练和测试的代码

#training the neural netork
def get_train_inputs():
    x = tf.constant(tr_features)
    y = tf.constant(tr_labels)
    return x, y

# fit the model using 1000 training steps
classifier.fit(input_fn=get_train_inputs, steps=1000)

#testing the neural network
def get_test_inputs():
    x = tf.constant(ts_features)
    y = tf.constant(ts_labels)
    return x, y

#Calculate accuracy 
accuracy_score = classifier.evaluate(input_fn=get_test_inputs, steps=1000)["accuracy"]
print('Test accuracy : ', format(accuracy_score))

我已经通过将测试数据传递给predict_classes函数进行了测试，这是有效的，我的问题是我如何为此构建构建器，所以我可以从外部应用程序传入数据？

#test to test prediction
def new_sample():
    return np.array(testing,dtype=np.float32)

predictions = list(classifier.predict(input_fn=new_sample))
print('predition : ', format(predictions))

Answer 1

我建议做一个类似的实现 ex. 这与您想要做的非常相似。虽然您需要实现checkpoints（Crtl + f检查点文件）。大部分代码都是针对他/她的程序而定的，但它的要点是创建一个文件＆＃34; eval.py＆＃34;它从先前保存的检查点运行网络。在eval.py文件中，您可以输入您希望输入的任何文件。

Answer 2

最简单的方法是TensorflowServing

在张量流中提供分类模型

2 个答案: