在 ml-engine 上部署模型，使用 tf.train.Saver() 导出答案

【问题标题】：Deploy a model on ml-engine, exporting with tf.train.Saver()在 ml-engine 上部署模型，使用 tf.train.Saver() 导出
【发布时间】：2017-03-28 07:26:14
【问题描述】：

我想在新版 Google ML Engine 上部署模型。以前，使用 Google ML，我可以导出经过训练的模型，创建一个 tf.train.Saver()，并使用 saver.save(session, output) 保存模型。

到目前为止，我无法确定以这种方式获得的导出模型是否仍可在 ml-engine 上部署，否则我必须遵循here 描述的训练过程并创建一个新的训练包并进行训练我使用 ml-engine 的模型。

我仍然可以使用tf.train.Saver() 来获取我将在 ml-engine 上部署的模型吗？

【问题讨论】：

标签： google-cloud-platform google-cloud-ml-engine

【解决方案1】：

tf.train.Saver() 只产生一个检查点。

Cloud ML Engine 使用由以下 API 生成的 SavedModel：https://www.tensorflow.org/versions/master/api_docs/python/tf/saved_model?hl=bn

保存的模型是一个检查点 + 一个包含一个或多个图形定义的序列化 protobuf + 一组声明图形/模型的输入和输出的签名 + 附加资产文件（如果适用），因此所有这些都可以在服务时间。

我建议看几个例子：

人口普查样本 - https://github.com/GoogleCloudPlatform/cloudml-samples/blob/master/census/tensorflowcore/trainer/task.py#L334
还有我自己的示例/库代码 - https://github.com/TensorLab/tensorfx/blob/master/src/training/_hooks.py#L208 调用 https://github.com/TensorLab/tensorfx/blob/master/src/prediction/_model.py#L66 来演示如何使用检查点，将其加载到会话中，然后生成保存的模型。

希望这些指针有助于调整您现有的代码以生成模型以现在生成 SavedModel。

我想你还问了另一个类似的问题来转换以前导出的模型，我会在这里链接到它以供其他人使用：Deploy retrained inception SavedModel to google cloud ml engine

【讨论】：