通过 RESTful API 部署 Tensorflow 模型的示例 [关闭]答案

【问题标题】：Example for Deploying a Tensorflow Model via a RESTful API [closed]通过 RESTful API 部署 Tensorflow 模型的示例 [关闭]
【发布时间】：2016-03-06 08:05:22
【问题描述】：

是否有通过 RESTful API 部署 Tensorflow 模型的示例代码？我看到了命令行程序和移动应用程序的示例。是否有用于此的框架，或者人们只是加载模型并通过 Web 框架（如 Flask）公开预测方法以获取输入（例如通过 JSON）并返回响应？我所说的框架是指针对大量预测请求进行扩展。当然，由于模型是不可变的，我们可以启动预测服务器的多个实例并将其放在负载均衡器（如 HAProxy）后面。我的问题是，人们是为此使用一些框架还是从头开始执行此操作，或者，这可能已经在 Tensorflow 中可用，而我没有注意到。

【问题讨论】：

我找到了一个简单的 Flask 示例，并将答案放在底部。这是你要找的东西吗？请告诉我，否则，我将删除答案。顺便说一句，我还没有测试过 TensorFlow Serving 的性能，但 Flask 版本对我来说似乎不错。

标签： tensorflow tensorflow-serving

【解决方案1】：

https://github.com/sugyan/tensorflow-mnist 展示了一个使用 Flask 并加载预训练模式（恢复）的简单 restAPI 示例。

@app.route('/api/mnist', methods=['POST'])
def mnist():
    input = ((255 - np.array(request.json, dtype=np.uint8)) / 255.0).reshape(1, 784)
    output1 = simple(input)
    output2 = convolutional(input)
    return jsonify(results=[output1, output2])

另外，请参阅https://tensorflow-mnist.herokuapp.com/ 的在线演示。看来 API 够快了。

【讨论】：

【解决方案2】：

TensorFlow Serving 是一个高性能、开源的机器学习模型服务系统，专为生产环境设计并针对 TensorFlow 进行了优化。初始版本包含使用 gRPC 构建的示例，但您可以轻松地将前端（在下图中表示为“客户端”）替换为 RESTful API 以满足您的需求。

要快速开始，请查看tutorial。

【讨论】：