实际上，我们正在创建一个能够将 AI 用例投入生产的平台。 TFX 是首选，但如果我们想使用非基于 TensorFlow 的库（如 scikit learn 等）并希望包含 python 脚本来创建模型，该怎么办。这种模型的输出将由 tensorflow 服务器提供。如何确保能够在一个系统设计中同时运行基于 tensorflow 的模型和非基于 tensorflow 的库和模型。请提出建议。
【问题讨论】：
标签： tensorflow machine-learning scikit-learn tensorflow-serving tfx
下面提到的是 Deploy 和 Serve 的过程 Sci-kit Learn Model 在 Google Cloud Platform强>。
第一步是使用以下代码保存/导出 SciKit 学习模型：
from sklearn.externals import joblib
joblib.dump(clf, 'model.joblib')
下一步是将model.joblib文件上传到Google Cloud Storage.
之后，我们需要创建我们的模型和版本，指定我们正在加载一个scikit-learn model，并选择的runtime version Cloud ML engine，以及我们用于导出此模型的 Python 版本。
接下来，我们需要将数据作为一个简单的数组呈现给 Cloud ML Engine，编码为 json 文件，如下所示。我们也可以使用JSON Library。
print(list(X_test.iloc[10:11].values))
接下来，我们需要运行以下命令来执行推理，
gcloud ml-engine predict --model $MODEL_NAME --version $VERSION_NAME --json-instances $INPUT_FILE
更多信息请参考this link。
【讨论】：