Question

我已经按照本教程构建了一个用于通过tensorflow服务进行图像分类的服务器/客户端演示 https://github.com/tmlabonte/tendies/blob/master/minimum_working_example/tendies-basic-tutorial.ipynb

客户

它接受图像作为输入，将其转换为Base64，然后使用JSON将其传递给服务器

input_image = open(image, "rb").read()
print("Raw bitstring: " + str(input_image[:10]) + " ... " + str(input_image[-10:]))

# Encode image in b64
encoded_input_string = base64.b64encode(input_image)
input_string = encoded_input_string.decode("utf-8")
print("Base64 encoded string: " + input_string[:10] + " ... " + input_string[-10:])

# Wrap bitstring in JSON
instance = [{"images": input_string}]
data = json.dumps({"instances": instance})
print(data[:30] + " ... " + data[-10:])

r = requests.post('http://localhost:9000/v1/models/cnn:predict', data=data)
  #json.loads(r.content)
print(r.text)

服务器

将模型加载为.h5后，服务器必须另存为SavedModel。该映像必须作为Base64编码的字符串从客户端传递到服务器。

model=tf.keras.models.load_model('./model.h5')
  input_bytes = tf.placeholder(tf.string, shape=[], name="input_bytes")
#  input_bytes = tf.reshape(input_bytes, [])
    # Transform bitstring to uint8 tensor
  input_tensor = tf.image.decode_jpeg(input_bytes, channels=3)

    # Convert to float32 tensor
  input_tensor = tf.image.convert_image_dtype(input_tensor, dtype=tf.float32)
  input_tensor = input_tensor / 127.5 - 1.0

    # Ensure tensor has correct shape
  input_tensor = tf.reshape(input_tensor, [64, 64, 3])

    # CycleGAN's inference function accepts a batch of images
    # So expand the single tensor into a batch of 1
  input_tensor = tf.expand_dims(input_tensor, 0)


#  x = model.input
  y = model(input_tensor)

然后input_bytes成为SavedModel中predition_signature的输入

 tensor_info_x = tf.saved_model.utils.build_tensor_info(input_bytes)

最后，服务器结果如下：

§ saved_model_cli show --dir ./ --all

signature_def['predict']:
  The given SavedModel SignatureDef contains the following input(s):
    inputs['images'] tensor_info:
        dtype: DT_STRING
        shape: ()
        name: input_bytes:0
  The given SavedModel SignatureDef contains the following output(s):
    outputs['scores'] tensor_info:
        dtype: DT_FLOAT
        shape: (1, 4)
        name: sequential_1/dense_2/Softmax:0
  Method name is: tensorflow/serving/predict

发送图像

当我发送图像base64时，我从服务器收到一个关于输入形状的运行时错误，该输入似乎不是标量的：

Using TensorFlow backend.
Raw bitstring: b'\xff\xd8\xff\xe0\x00\x10JFIF' ... b'0;s\xcfJ(\xa0h\xff\xd9'
Base64 encoded string: /9j/4AAQSk ... 9KKKBo/9k=
{"instances": [{"images": "/9j ... Bo/9k="}]}
{ "error": "contents must be scalar, got shape [1]\n\t [[{{node DecodeJpeg}} = DecodeJpeg[_output_shapes=[[?,?,3]], acceptable_fraction=1, channels=3, dct_method=\"\", fancy_upscaling=true, ratio=1, try_recover_truncated=false, _device=\"/job:localhost/replica:0/task:0/device:CPU:0\"](_arg_input_bytes_0_0)]]" }

从服务器上看到的input_bytes与shape=[]标量一样，我也曾尝试用tf.reshape(input_bytes, [])重塑它，但没有办法，我总是遇到相同的错误。我没有在互联网上找到任何解决方案，也没有在Stackoverflow上找到有关此错误的解决方案。您能建议如何解决吗？谢谢！

Answer 1

我已解决该问题，我想评论一下如何才能从该解决方案中受益！

当您发送这样的json时：

{"instances": [{"images": "/9j ... Bo/9k="}]}

实际上，您在发送[]时发送的是大小为1的数组如果您想发送2张图片，您应该这样写

{"instances": [{"images": "/9j ... Bo/9k="}, {"images": "/9j ... Bo/9k="}]}

这里的大小是2（形状= [2]）

所以解决方案是在占位符中声明要接受shape = [None]的任何类型的尺寸

input_bytes = tf.placeholder(tf.string, shape=[None], name="input_bytes")

然后，如果您仅发送1张图像，则可以通过以下方式将向量1转换为标量：

input_scalar = tf.reshape(input_bytes, [])

我的代码中还有另一个错误，我不认为在tensorflow / serving中有通过在json中显式声明'b64'来解码base64的功能，请参考RESTful API Encoding binary values，所以如果您发送

{"instances": [{"images": {"b64": "/9j ... Bo/9k="}}]}

服务器将自动解码base64输入，正确的比特流将到达tf.image.decode_jpeg

tf.image.decode_jpeg-内容必须为标量，形状为[1]

1 个答案: