Question

我一直在与tensorflow的构建器进行斗争，以便能够为我的模型提供服务，我在服务模型后尝试将数据提供给我的分类器

我的问题是如何将输入提供给模型？我已经看到谷歌初始教程使用的代码

并试图实施它

classify_inputs_tensor_info = utils.build_tensor_info(
          serialized_tf_example)
      classes_output_tensor_info = utils.build_tensor_info(classes)
      scores_output_tensor_info = utils.build_tensor_info(values)

      classification_signature = signature_def_utils.build_signature_def(
          inputs={
              signature_constants.CLASSIFY_INPUTS: classify_inputs_tensor_info
          },
          outputs={
              signature_constants.CLASSIFY_OUTPUT_CLASSES:
                  classes_output_tensor_info,
              signature_constants.CLASSIFY_OUTPUT_SCORES:
                  scores_output_tensor_info
          },
          method_name=signature_constants.CLASSIFY_METHOD_NAME)

根据我的理解，输入被传递给一个名为serialized_tf_example的张量，顾名思义就是将输入序列化为字符串，然后他们使用我不理解的 tf.FixedLenFeature 然后解析serialized_tf_example与 tf.parse_example 并将其分配给模型中使用的x，但我想将其解析为接受数组作为输入的分类器，但不知道如何解决这个问题

在尝试实现这个时我写了这个

serialized_tf_example = tf.placeholder(tf.string, name='tf_example')
        feature_configs = { 'audio/encoded': tf.FixedLenFeature( shape=[193], dtype=tf.float32, default_value=input_x),}
        tf_example = tf.parse_example(serialized_tf_example, feature_configs)
        x = tf_example['audio/encoded']

        sess = tf.InteractiveSession()
        sess.run(tf.global_variables_initializer())

        # Define the dimensions in the feature columns
        feature_columns = [tf.contrib.layers.real_valued_column("", dimension=5)]

        classifier = tf.contrib.learn.DNNLinearCombinedClassifier(
            dnn_feature_columns=feature_columns, dnn_hidden_units=[200,300], n_classes=10,
            dnn_optimizer=tf.train.GradientDescentOptimizer(
                learning_rate=0.01
            )
        )

        #run training
        classifier.fit(input_fn=get_train_inputs, steps=100)
        #testing 
        accuracy_score = classifier.evaluate(input_fn=get_test_inputs, steps=10)["accuracy"]
        print('Test accuracy : ', format(accuracy_score))

        prediction = format(list(classifier.predict_classes(x, as_iterable=True)))

但是x是张量，因此无法读取。当我尝试使用run或.eval（）时，它会要求我将值提供给serialized_tf_example

InvalidArgumentError（请参阅上面的回溯）：您必须提供值 for placeholder tensor'tf_example'with dtype string [[Node： tf_example = Placeholderdtype = DT_STRING，shape = []， _device = “/作业：本地主机/复制：0 /任务：0 / CPU：0”]]

当我使用prediction = format（list（classifier.predict_classes（np.array（x），as_iterable = True））我得到了

InvalidArgumentError（参见上面的回溯）：Shape in shape_and_slice spec [1,200]与存储的形状不匹配检查点：[193,200] [[节点：save / RestoreV2_1 = RestoreV2 [dtypes = [DT_FLOAT] _device =“/ job：localhost / replica：0 / task：0 / cpu：0”]（_ recv_save / Const_0，save / RestoreV2_1 / tensor_names，save / RestoreV2_1 / shape_and_slices）]]

Answer 1

您可以/应该使用classifier.predict而不使用tf.Example.Your input_fn in train and eval返回x，y。你可以写一个类似于其他输入函数的predict_input_fn。

predictoin = next(classifier.predict_classes(input_fn=predict_input_fn))

请注意，如果您获得list函数的所有预测，则应以异常结束。您可以查看tf.estimator.inputs.numpy_input_fn

提供张量流分类器

1 个答案: