不同种类的TensorFlow SignatureDef的目的是什么？

Question

Predict SignatureDef似乎包含了分类和回归SignatureDefs的所有功能。什么时候使用分类或回归SignatureDefs而不是仅对所有内容使用Predict会有优势？我们正在寻求在生产环境中降低复杂性，如果在所有情况下都可以仅使用Predict SignatureDef，那似乎是个好主意。

Answer 1

根据我在文档（https://www.tensorflow.org/serving/signature_defs上看到的内容，似乎“分类”和“回归” SigDefs试图为简单情况（分类和回归）强制使用简单且一致的界面， 分别是“输入”->“类+分数”和“输入”->“输出”。似乎还有一个额外的好处，即“分类”和“回归” SigDef不需要将服务功能构造为模型导出功能的一部分。

从文档中也可以看出，Predict SigDef似乎允许使用更通用的接口，并具有可以互换模型的优点。从文档中：

  

预测SignatureDefs可实现跨模型的可移植性。这表示   您可以交换不同的SavedModels，可能使用不同的   基本的Tensor名称（例如，代替x：0，也许您有了一个新的   Tensor z：0的备用模型），而您的客户可以保持在线状态   连续查询该模型的旧版本和新版本，而无需   客户端更改。

     

Predict SignatureDefs还允许您添加可选的其他   您可以显式查询的输出张量。比方说   除了分数下方的输出键，您还想   提取池层用于调试或其他目的。

但是 除了不需要导出服务功能的次要好处外，文档没有解释，为什么自从开始以来，为什么不将Predict SigDef用于所有功能它似乎是一个有很多上升空间的超集。我希望看到一个明确的答案，因为专用功能（分类，回归）的好处似乎很小。

Answer 2

到目前为止，我看到的差异是...

1）如果在DNNClassifier模型中利用tf.feature_column.indicator_column包装tf.feature_column.categorical_column_with_vocabulary_ *，则当您查询tensorflow server时，我的Predict API有时会出现问题根据词汇文件/列表解析/映射字符串输入。另一方面，Classify API将字符串正确映射到词汇表上的索引（categorical_column），然后映射到单热点/多热点（indicator_column），并提供（似乎是）正确的分类响应。查询。

2）分类API的响应格式为[[class，score]，[class，score]，....]，而Predict API的响应格式为[class []，score []]。如果您以后需要以某种方式解析数据，则最好选择其中一个。

TLDR；在将indicator_column包装在categorical_column_with_vocabulary_ *中之后，在与Predict API一起使用时，我遇到了词汇映射方面的问题。因此，使用Classify API。