Python 3.x 不使用Tensorflow服务的GCP中Tensorflow模型部署
机器学习模型:基于Tensorflow(1.9版)和Python 3.6版 数据输入:来自Bigquery 数据输出:到Bigquery 生产预测频率:每月 我开发了一个基于Tensorflow的机器学习模型。我已经在本地对其进行了培训,并希望将其部署到谷歌云平台进行预测 该模型从GoogleBigQuery读取输入数据,输出预测必须写入GoogleBigQuery。在运行模型预测之前,必须运行一些数据准备脚本。目前我无法在生产中使用BigQueryML,因为它处于测试阶段。此外,由于这是一个批量预测,我不认为Tensorflow服务将是一个好的选择 我尝试过的部署策略:Python 3.x 不使用Tensorflow服务的GCP中Tensorflow模型部署,python-3.x,tensorflow,deployment,google-cloud-platform,google-bigquery,Python 3.x,Tensorflow,Deployment,Google Cloud Platform,Google Bigquery,机器学习模型:基于Tensorflow(1.9版)和Python 3.6版 数据输入:来自Bigquery 数据输出:到Bigquery 生产预测频率:每月 我开发了一个基于Tensorflow的机器学习模型。我已经在本地对其进行了培训,并希望将其部署到谷歌云平台进行预测 该模型从GoogleBigQuery读取输入数据,输出预测必须写入GoogleBigQuery。在运行模型预测之前,必须运行一些数据准备脚本。目前我无法在生产中使用BigQueryML,因为它处于测试阶段。此外,由于这是一个批
我想知道Tensorflow模型的最佳部署方法是什么,它有一些预处理和后处理脚本。关于选项3,Dataflow可以从BigQuery读取数据,并在作业结束时将准备好的数据存储在BigQuery中 然后您可以使用Tensorflow从BigQuery获取数据
另一个你可以使用的是,这是一个笔记本,你可以在其中准备你的数据,然后用它进行预测 我也不觉得这个流程简单直观。有两个新的更新可能对您的项目有所帮助:
- BigQueryML现在允许您导入TensorFlow模型——有一些限制,但这可能会消除BQ和云存储或其他环境之间的一些来回数据移动
- 云数据流支持alpha中的Python 3(查看ApacheBeam路线图-)