面向机器智能的TensorFlow实践：产品环境中模型的部署

name = "org_tensorflow",

path = _workspace_dir__ + "/tf_serving/tensorflow",

)

load('//tf_serving/tensorflow/tensorflow:workspace.bzl',

'tf_workspace')

tf_workspace("tf_serving/tensorflow/", "@org_tensorflow")

bind(

name = "libssl",

actual = "@boringssl_git//:ssl",

)

bind(

name = "zlib",

actual = "@zlib_archive//:zlib"

）

# 仅当导入inception 模型时须要

local_repository(

name = "inception_model",

path = __workspace_dir__ + "/tf_serving/tf_models/

inception”，

）

最后，须要安闲器内为Tensorflow运行./configure:

# 在Docker容器中

cd /mnt/home/serving_example/tf_serving/tensorflow

./configure

导出练习好的模型

一旦模型练习完毕并预备进行评估，便须要将数据流图及其变量值导出，以使其可为产品所用。

模型的数据流图应当与其练习版本有所区分，因为它必须大年夜占位符接收输入，并对其进行单步揣摸以计算输出。对于Inception模型这个例子，以及对于随便率性一般图像辨认模型，我们欲望输入是一个表示了JPEG编码的图像字符串，如许就可随便马虎地将它传送到花费App中。这与大年夜TFRecord文件攫取练习输入颇为不合。

定义输入的一般情势如下：

def convert_external_inputs (external_x): 
 
 #将外部输入变换为揣摸所需的输入格局 
 
def inference(x): 
 
 #大年夜原始模型中…… 
 
external_x = tf.placeholder(tf.string) 
 
x = convert_external_inputs(external_x) 
 
y = inference(x)

在上述代铝闼楝为输入定义了占位符，并调用了一个函数将用占位符表示的外部输入转换为原始揣摸模型所需的输入格局。例如，我们须要将JPEG字符串转换为Inception模型所需的图像格局。最后，调用原始模型揣摸办法，根据转换后的输入获得揣摸结不雅。

例如，对于Inception模型，应当有下列办法：

import tensorflow as tf 
 
from tensorflow_serving.session_bundle import exporter 	
			 2/11   首页 上一页 1 2 3 4 5 6 下一页 尾页	
			

　　推荐阅读
　　传统存储市场正遭遇来自横向扩展SDS 的威胁
传统的存储厂商正面对着前所未竽暌剐的压力。软件定义存储与公有云存储(也是基于横向扩大的SDS技巧)相浇忧⒛解决筹划正在蚕食传统的存储市场，如Dell  EMC的VNX、HPE的Smart  Array、NetApp的E系列和FAS。我同样认为>>>详细阅读


本文标题：面向机器智能的TensorFlow实践：产品环境中模型的部署
地址：http://www.17bianji.com/lsqh/34985.html
 1/2    1