面向机器智能的TensorFlow实践：产品环境中模型的部署

from inception import inception_model

def convert_external_inputs (external_x)

# 将外部输入变换为揣摸所需的输入格局

# 将图像字符串转换为一个各分量位于[0,1]内的像素张量

image =

tf.image.convert_image_dtype(tf.image.decode_jpeg(external_x,

channels=3), tf.float32)

# 对图像尺寸进行缩放，使其相符模型期望的宽度和高度

images = tf.image.resize_bilinear(tf.expand_dims(image,

0),[299,299])

# 将像素值变换到模型所请求的区间[-1,1]内

images =tf.mul(tf.sub(image,0.5),2)

return images

def inference(images):

logits, _ = inception_model.inference(images, 1001)

return logits

这个揣摸办法请求各参数都被赋值。我们将年腋荷琐练习检查点恢复这些参数值。你可能还记得，在前面的┞仿节中，我们周期性地保存模型的练习检查点文件。那些文件中包含了当时进修到的参数，是以当出现异常时，练习进展不会受到影响。

练习停止时，最后一次保存的练习检查点文件中将包含最后更新的模型参数，这恰是我们欲望在产品中应用的版本。

要恢复检查点文件，可应用下列代码：

接下来须要定义办事的实现—ClassificationServiceImpl，该类将接收SessionBundle实例作为参数，以在揣摸中应用：

对于Inception模型，可大年夜下列链接下载一个预练习的检查点文件：http://download.tensorflow.org/models/image/imagenet/inception-v3-2016-03-01.tar.gz。

load("@protobuf//:protobuf.bzl", "cc_proto_library") 
 
cc_proto_library( 
 
name="classification_service_proto", 
 
srcs=["classification_service.proto"], 
 
cc_libs = ["@protobuf//:protobuf"], 
 
protoc="@protobuf//:protoc", 
 
default_runtime="@protobuf//:protobuf", 
 
use_grpc_plugin=1 
 
)

# 在docker容器中 
 
cd/tmp 
 
curl -O http://download.tensorflow.org/models/image/imagenet/ 
 
inception-v3-2016-03-01.tar.gz 
 
tar –xzf inception-v3-2016-03-01.tar.gz

最后，应用tensorflow_serving.session_bundle.exporter.Exporter类将模型导出。我们经由过程传入一个保存器实例创建了一个它的实例。然后，须要应用exporter.classification_signature办法创建该模型的签名。该签名指定了什么是input_tensor以及哪些是输出张量。输出由classes_tensor构成，它包含了输出类名称列表以及模型分派给各类其余分值(或概率)的socres_tensor。平日，在一个包含的类别数相当多的模型中，应当经由过程设备指定仅返回tf.nn.top_k所选择的那些类别，即按模型分派的分数按降序分列后的前K个类别。

3/11 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