2

这是一个与“Watson Studio”相关的问题。我已经完成了以下深度学习教程/实验助手，成功地将生成的 CNN 模型部署到 WML(WebService)。凉爽的！

教程：MNIST 数据
实验助手上的单卷积层

接下来，我想测试该模型是否可以在部署环境中识别我的图像（MNIST），然后我想到了这些问题。我应该为模型输入准备什么样的输入文件（可能是像素图像文件）？如何通过我的图像踢得分端点？（我在“实现”选项卡上看到了 python 代码片段，但它是 json 示例，不知道如何传递像素图像......）

payload_scoring = {"fields": [array_of_feature_columns], "values": [array_of_values_to_be_scored, another_array_of_values_to_be_scored]}

任何建议/建议都非常受欢迎。提前谢谢。

4

1 回答 1

2

被训练的模型接受一个 4 维数组的输入数据，即[<batchsize>, 28, 28, 1]28 表示图像的高度和宽度（以像素为单位），1 表示通道数。目前，WML 在线部署和评分服务需要与模型输入格式匹配的有效载荷数据。因此，要使用此模型预测任何图像，您必须...

  1. 将图像转换为 [1, 28, 28, 1] 维度的数组。将图像转换为数组将在下一节中解释。
  2. 根据模型的要求预处理图像数据，即执行（a）规范化数据（b）将类型转换为浮点数
  3. 预处理数据必须使用适当的键以 json 格式指定。此 json 文档将作为模型评分请求的输入负载。

如何将图像转换为数组？有两种方法..（使用python代码）

a) keras python 库有一个 MNIST 数据集，其中包含转换为 28 x 28 数组的 MNIST 图像。使用下面的 python 代码，我们可以使用这个数据集来创建评分有效负载。

import numpy as np
from keras.datasets import mnist

(X, y), (X_test, y_test) = mnist.load_data()

score_payload_data = X_test.reshape(X_test.shape[0], X_test.shape[1], X_test.shape[2], 1)
score_payload_data = score_payload_data.astype("float32")/255
score_payload_data = score_payload_data[2].tolist() ## we are choosing the 2nd image in the list to predict
scoring_payload = {'values': [score_payload_data]}

b) 如果您有大小为 28 x 28 像素的图像，我们可以使用以下代码创建评分有效负载。

img_file_name = "<image file name with full path>"

from scipy import misc
img = misc.imread(img_file_name)
img_to_predict = img.reshape(img.shape[0], img.shape[1], 1)/255
img_to_predict = img_to_predict.astype("float32").tolist()
scoring_payload = {"values": [img_to_predict]}
于 2018-03-30T09:03:14.370 回答