如何将图形导出到 Tensorflow Serving 以使输入为 b64？

Question

我有一个 Keras 图，其形状为 (?, 224, 224, 3) 的 float32 张量，我想将其导出到 Tensorflow Serving，以便使用 RESTful 进行预测。问题是我不能输入张量，而是编码 b64 字符串，因为这是 REST API 的限制。这意味着在导出图形时，输入需要是需要解码的字符串。

如何在不重新训练图形本身的情况下“注入”要转换为旧张量的新输入？我已经尝试了几个例子[1][2]。

我目前有以下代码用于导出：

image = tf.placeholder(dtype=tf.string, shape=[None], name='source')


signature = predict_signature_def(inputs={'image_bytes': image},
                                 outputs={'output': model.output})

不知何故，我需要找到一种将图像转换为 model.input 的方法，或者一种让模型输出连接到图像的方法。

任何帮助将不胜感激！

Answer 1

你可以使用tf.decode_base64:

image = tf.placeholder(dtype=tf.string, shape=[None], name='source')
image_b64decoded = tf.decode_base64(image)
signature = predict_signature_def(inputs={'image_bytes': image_b64decoded},
                                 outputs={'output': model.output})

编辑：

如果您需要使用tf.image.decode_image，您可以使用tf.map_fn 使其与多个输入一起工作：

image = tf.placeholder(dtype=tf.string, shape=[None], name='source')
image_b64decoded = tf.decode_base64(image)
image_decoded = tf.map_fn(tf.image.decode_image, image_b64decoded, dtype=tf.uint8)

当然，只要图像具有所有相同的尺寸，这将起作用。然而，结果是一个形状完全未知的张量，因为tf.image.decode_image 可以根据图像类型输出不同数量的维度。您可以重塑它或使用另一个 tf.image.decode_* 调用，这样至少您在张量中有一个已知数量的维度。

Answer 2

创建 export_model 可能是一种更简单的方法。 One example in tensorflow.org

1. 带有 float32、形状 (?, 224, 224, 3) 张量的 Keras 图

model = ...

1. 定义一个函数来预处理 b64 图像

def preprocess_input(base64_input_bytes):
    def decode_bytes(img_bytes):
        img = tf.image.decode_jpeg(img_bytes, channels=3)
        img = tf.image.resize(img, (224, 224))
        img = tf.image.convert_image_dtype(img, tf.float32)
        return img

    base64_input_bytes = tf.reshape(base64_input_bytes, (-1,))
    return tf.map_fn(lambda img_bytes:
                     decode_bytes(img_bytes),
                     elems=base64_input_bytes,                     
                     fn_output_signature=tf.float32)

1. 导出服务模型

serving_inputs = tf.keras.layers.Input(shape=(), dtype=tf.string, name='b64_input_bytes')
serving_x = tf.keras.layers.Lambda(preprocess_input, name='decode_image_bytes')(serving_inputs)
serving_x = model(serving_x)
serving_model = tf.keras.Model(serving_inputs, serving_x)
tf.saved_model.save(serving_model, serving_model_path)

4. 服务

import requests
data = json.dumps({"signature_name": "serving_default", "instances": [{"b64_input_bytes": {"b64": b64str_1}}, {"b64_input_bytes": {"b64": b64str_2}}]})
headers = {"content-type": "application/json"}
json_response = requests.post('http://localhost:8501/v1/models/{model_name}:predict', data=data, headers=headers)
predictions = json.loads(json_response.text)['predictions']