为 TensorFlow Serving 保存模型

Question

我是张量流的新手。我已按照 tensorflow 服务说明在 docker 容器中提供模型。我可以按照 https://www.tensorflow.org/serving/ 的说明为 mnist 和 inception 模型服务。

服务模型保存在以下结构中：

.
|-- inception-export
|   `-- 1
|       |-- saved_model.pb
|       `-- variables
|           |-- variables.data-00000-of-00001
|           `-- variables.index
`-- mnist_model
    `-- 1
        |-- saved_model.pb
        `-- variables
            |-- variables.data-00000-of-00001
            `-- variables.index

问题：

1. 如何为重新训练的模型提供服务？

我正在按照https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/#0 的指示重新训练模型。

python retrain.py \
  --bottleneck_dir=bottlenecks \
  --how_many_training_steps=500 \
  --model_dir=inception \
  --summaries_dir=training_summaries/basic \
  --output_graph=retrained_graph.pb \
  --output_labels=retrained_labels.txt \
  --image_dir=flower_photos

上述命令创建 retrained_graph.pb 以及 retrained_label.txt 和瓶颈目录。

如何转换格式的输出，以便重新训练的模型可以通过 Tensorflow 服务服务器提供服务？

1. 如何提供预训练模型？

   我查看了对象检测演示 https://github.com/tensorflow/models/blob/master/object_detection/object_detection_tutorial.ipynb，它解释了如何使用“SSD with Mobilenet”模型 (https://github.com/tensorflow/models/blob/master/object_detection/g3doc/detection_model_zoo.md) 进行对象检测。

   ssd_mobilenet_v1_coco_11_06_2017.tar.gz 包含

   - a graph proto (graph.pbtxt)
   - a checkpoint (model.ckpt.data-00000-of-00001, model.ckpt.index, model.ckpt.meta)
   - a frozen graph proto with weights baked into the graph as constants (frozen_inference_graph.pb) 
   

   如何将上述文件转换为格式，以便预训练模型可以通过 Tensorflow 服务服务器提供服务？

2. 如何为通过 Tensorflow 服务服务器提供的自定义模型创建客户端？

我已按照http://fdahms.com/2017/03/05/tensorflow-serving-jvm-client/ 的说明创建自定义模型。该博客解释了如何创建自定义，通过 tensorflow 服务服务器和客户端访问模型。创建客户端的过程不是很清楚。我想用 Python 和 Java 创建客户端。

是否有更好的示例或指南来帮助理解为通过 Tensorflow 服务服务器提供的自定义模型创建客户端代码的过程。

Answer 1

Tensorflow Serving 现在支持 SavedModel 格式。如果你有一个重新训练的模型，实际上你不需要使用对象检测。您可以做的是使用 saver 从以前格式重新训练的模型中恢复会话，然后使用 SavedModelBuilder 再次导出它，通过该保存的模型可以生成 tf serving can serve 。 Here 是我对类似问题的另一个答案。

客户端可以参考下面的代码，这也是tf serving/example中的例子：

from grpc.beta import implementations
import tensorflow as tf

from tensorflow_serving.apis import predict_pb2
from tensorflow_serving.apis import prediction_service_pb2

tf.app.flags.DEFINE_string('server', 'localhost:9000',
                           'PredictionService host:port')
FLAGS = tf.app.flags.FLAGS


def main(_):
  host, port = FLAGS.server.split(':')
  channel = implementations.insecure_channel(host, int(port))
  stub = prediction_service_pb2.beta_create_PredictionService_stub(channel)

  request = predict_pb2.PredictRequest()
  request.model_spec.name = 'model_name'
  request.model_spec.signature_name = 'signature_name'
  request.inputs['input_key'].CopyFrom(
        tf.contrib.util.make_tensor_proto(your_data, shape=data_size))
  result = stub.Predict(request, 10.0)  # 10 secs timeout
  print(result.output)