如何对 TensorFlow Servings model_server 中加载的 TensorFlow 的 Wide and Deep 模型进行预测答案

【问题标题】：How to make predictions on TensorFlow's Wide and Deep model loaded in TensorFlow Servings model_server如何对 TensorFlow Servings model_server 中加载的 TensorFlow 的 Wide and Deep 模型进行预测
【发布时间】：2016-11-17 21:53:31
【问题描述】：

有人可以帮助我对加载到 TensorFlow Serving 的 model_server 中的 TensorFlow 的 Wide and Deep Learning 模型进行预测吗？

如果有人可以向我指出相同的资源或文档，那将非常有帮助。

【问题讨论】：

你看完教程了吗：tensorflow.github.io/serving/serving_basic ？您必须在训练计划中导出模型。
是的，我已经浏览了这个文档并且我已经导出了我的模型。但是，我需要对我训练有素的模型进行预测，我需要帮助。
mnist和wide n deep模型在服务方面没有太大区别。
如何创建request=predict_pb2.PredictRequest()？
有人可以指导我发送预测请求的文档

标签： tensorflow tensorflow-serving

【解决方案1】：

您可以尝试调用估算器的 predict 方法并将 ndarray 的 as_iterable 设置为 false

y = m.predict(input_fn=lambda: input_fn(df_test), as_iterable=False)

但是，请注意弃用说明 here 以备将来兼容。

【讨论】：

【解决方案2】：

如果您的模型是使用 Estimator.export_savedmodel() 导出的，并且您成功构建了 TensorFlow Serving 本身，您可以执行以下操作：

from grpc.beta import implementations
from tensorflow_serving.apis import predict_pb2
from tensorflow_serving.apis import prediction_service_pb2

tf.app.flags.DEFINE_string('server', 'localhost:9000', 'Server host:port.')
tf.app.flags.DEFINE_string('model', 'wide_and_deep', 'Model name.')
FLAGS = tf.app.flags.FLAGS
...
def main(_):

  host, port = FLAGS.server.split(':')
  # Set up a connection to the TF Model Server
  channel = implementations.insecure_channel(host, int(port))
  stub = prediction_service_pb2.beta_create_PredictionService_stub(channel)

  # Create a request that will be sent for an inference
  request = predict_pb2.PredictRequest()
  request.model_spec.name = FLAGS.model
  request.model_spec.signature_name = 'serving_default'

  # A single tf.Example that will get serialized and turned into a TensorProto
  feature_dict = {'age': _float_feature(value=25),
                  'capital_gain': _float_feature(value=0),
                  'capital_loss': _float_feature(value=0),
                  'education': _bytes_feature(value='11th'.encode()),
                  'education_num': _float_feature(value=7),
                  'gender': _bytes_feature(value='Male'.encode()),
                  'hours_per_week': _float_feature(value=40),
                  'native_country': _bytes_feature(value='United-States'.encode()),
                  'occupation': _bytes_feature(value='Machine-op-inspct'.encode()),
                  'relationship': _bytes_feature(value='Own-child'.encode()),
                  'workclass': _bytes_feature(value='Private'.encode())}
  label = 0

  example = tf.train.Example(features=tf.train.Features(feature=feature_dict))
  serialized = example.SerializeToString()

  request.inputs['inputs'].CopyFrom(
    tf.contrib.util.make_tensor_proto(serialized, shape=[1]))

  # Create a future result, and set 5 seconds timeout
  result_future = stub.Predict.future(request, 5.0)
  prediction = result_future.result().outputs['scores']

  print('True label: ' + str(label))
  print('Prediction: ' + str(np.argmax(prediction)))

这里我写了一个简单的教程Exporting and Serving a TensorFlow Wide & Deep Model 有更多的细节。

希望对你有帮助。

【讨论】：