使用tensorflow-serving部署模型 - 文章 - 开发者社区

TensorFlow训练好的模型以tensorflow原生方式保存成protobuf文件后可以用许多方式部署运行。

例如：通过 tensorflow-js 可以用javascrip脚本加载模型并在浏览器中运行模型。

通过 tensorflow-lite 可以在移动和嵌入式设备上加载并运行TensorFlow模型。

通过 tensorflow-serving 可以加载模型后提供网络接口API服务，通过任意编程语言发送网络请求都可以获取模型预测结果。

通过 tensorFlow for Java接口，可以在Java或者spark(scala)中调用tensorflow模型进行预测。

我们主要介绍tensorflow serving部署模型、使用spark(scala)调用tensorflow模型的方法。

本篇介绍使用tensorflow serving部署模型的方法。

〇，tensorflow-serving部署模型概述

使用 tensorflow serving 部署模型要完成以下步骤。

(1) 准备protobuf模型文件。
(2) 安装tensorflow serving。
(3) 启动tensorflow serving 服务。
(4) 向API服务发送请求，获取预测结果。

可通过以下colab链接测试效果《tf_serving》：

https://colab.research.google.com/drive/1vS5LAYJTEn-H0GDb1irzIuyRB8E3eWc8


          
%tensorflow_version 2.x  
import tensorflow as tf  
print(tf.__version__)  
from tensorflow.keras import *

一，准备protobuf模型文件

我们使用tf.keras 训练一个简单的线性回归模型，并保存成protobuf文件。


          
import tensorflow as tf  
from tensorflow.keras import models,layers,optimizers  
  
## 样本数量  
n = 800  
  
## 生成测试用数据集  
X = tf.random.uniform([n,2],minval=-10,maxval=10)   
w0 = tf.constant([[2.0],[-1.0]])  
b0 = tf.constant(3.0)  
  
Y = X@w0 + b0 + tf.random.normal([n,1],  
    mean = 0.0,stddev= 2.0) # @表示矩阵乘法,增加正态扰动  
  
## 建立模型  
tf.keras.backend.clear_session()  
inputs = layers.Input(shape = (2,),name ="inputs") #设置输入名字为inputs  
outputs = layers.Dense(1, name = "outputs")(inputs) #设置输出名字为outputs  
linear = models.Model(inputs = inputs,outputs = outputs)  
linear.summary()  
  
## 使用fit方法进行训练  
linear.compile(optimizer="rmsprop",loss="mse",metrics=["mae"])  
linear.fit(X,Y,batch_size = 8,epochs = 100)    
  
tf.print("w = ",linear.layers[1].kernel)  
tf.print("b = ",linear.layers[1].bias)  
  
## 将模型保存成pb格式文件  
export_path = "./data/linear\_model/"  
version = "1"       #后续可以通过版本号进行模型版本迭代与管理  
linear.save(export_path+version, save_format="tf")


          
# 查看模型文件相关信息  
!saved_model_cli show --dir {export_path+str(version)} --all

模型文件信息中这些标红的部分都是后面有可能会用到的。

picture.image

二，安装tensorflow serving

通过Docker镜像安装是最简单，最直接的方法，推荐采用。

Docker可以理解成一种容器，其上面可以给各种不同的程序提供独立的运行环境。

一般业务中用到tensorflow的企业都会有运维同学通过Docker 搭建 tensorflow serving.无需算法工程师同学动手安装，以下安装过程仅供参考。

不同操作系统机器上安装Docker的方法可以参照以下链接。

安装Docker成功后，使用如下命令加载 tensorflow/serving 镜像到Docker中

docker pull tensorflow/serving

三，启动 tensorflow serving 服务


          
!docker run -t --rm -p 8501:8501 \  
    -v "/Users/.../data/linear\_model/" \  
    -e MODEL_NAME=linear_model \  
    tensorflow/serving & >server.log 2>&1

四，向API服务发送请求

可以使用任何编程语言的http功能发送请求，下面示范linux的 curl 命令发送请求，以及Python的requests库发送请求。


          
!curl -d '{"instances": [1.0, 2.0, 5.0]}' \  
    -X POST http://localhost:8501/v1/models/linear_model:predict

picture.image


          
import json,requests  
  
data = json.dumps({"signature\_name": "serving\_default", "instances": [[1.0, 2.0], [5.0,7.0]]})  
headers = {"content-type": "application/json"}  
json_response = requests.post('http://localhost:8501/v1/models/linear\_model:predict',   
        data=data, headers=headers)  
predictions = json.loads(json_response.text)["predictions"]  
print(predictions)

picture.image

猜你喜欢❤️：

《30天吃掉那只 TensorFlow2.0 》开篇辞

公众号后台回复关键字： tensorflow ，获取本书github项目源码和对应数据集！

picture.image