2

我目前正在应对以可扩展的方式为我的 tensorflow 模型提供服务的挑战。据我所知，推荐的解决方案是使用标准的TensorFlow ModelServer。这可以很好地处理常见的要求 - 但我想要更多。我想通过解析像“limit”这样的参数来定义前n个logits +返回的概率来减少传输的数据量。

在我的研究中，我确定了以下解决方案：

1) 在模型构建过程中创建更高级的 SignatureDef。

2)使用上述功能自定义基本的tensorflow/serving项目。

3) 使用标准的 Tensorflow Modelserver 为模型提供服务，并构建一个后处理服务来重构 resp。以预定义的方式过滤结果。

比我更有经验的人可以详细介绍我的问题吗？- 代码片段或链接会很棒。

提前致谢。

4

1 回答 1

0

您的解决方案 3，

“使用标准的 Tensorflow Modelserver 为模型提供服务，并构建一个后处理服务来重组和过滤结果。”

应该是最好的。

链接和代码片段：如果我们考虑使用 TF Serving 的 MNIST 示例，Saved Model 的链接是，https://github.com/tensorflow/serving/blob/87e32bb386f156fe208df633c1a7f489b57464e1/tensorflow_serving/example/mnist_saved_model.py，

客户端代码的链接是https://github.com/tensorflow/serving/blob/87e32bb386f156fe208df633c1a7f489b57464e1/tensorflow_serving/example/mnist_client.py。

如果我们想要 top-n 预测的值，我们可以_create_rpc_callback在客户端文件中调整函数的代码，如下所示。

def _create_rpc_callback(label, result_counter):
  """Creates RPC callback function.

  Args:
    label: The correct label for the predicted example.
    result_counter: Counter for the prediction result.
  Returns:
    The callback function.
  """
  def _callback(result_future):
    """Callback function.

    Calculates the statistics for the prediction result.

    Args:
      result_future: Result future of the RPC.
    """
    exception = result_future.exception()
    if exception:
      result_counter.inc_error()
      print(exception)
    else:
      sys.stdout.write('.')
      sys.stdout.flush()
      response = numpy.array(result_future.result().outputs['scores'].float_val)
      print('Top 4 responses = ', response[0:4])

最后一行的print语句将打印 Top-4 Predictions。

于 2019-07-12T10:20:02.093 回答