Python 运行图形期间出现异常：无法从提要中获取作为字节的元素

我使用beam管道将文本预处理为整型文字包，类似于本例

预处理和培训似乎很有效。我训练了一个简单的线性模型，指向变换函数并进行了实验

保存的_model.pbtxt似乎保存了字典，我的目标是能够在google cloud ml上部署此模型进行预测，并使用原始文本作为输入进行查询：

{"inputs" : { "title": "E. D. Abbott Ltd", "text" : "Abbott of Farnham E D Abbott Limited was a British coachbuilding business" }}

跑步时

gcloud ml-engine local predict \
    --model-dir=$MODEL_DIR \
    --json-instances="$DATA_DIR/test.json" \

我得到下面的错误，不知道我做错了什么

源代码/日志 警告：根：元图有多个签名2。支持多个签名 有限的。默认情况下，我们选择命名签名。 错误：root:运行图形期间异常：无法从提要a获取元素 s字节。 回溯（最近一次呼叫最后一次）： 文件“lib/googlecloudsdk/command_lib/ml_engine/local_predict.py”，第136行，在 main（） 文件“lib/googlecloudsdk/command_lib/ml_engine/local_predict.py”，第131行，mai N 实例=实例） 文件“/Users/xyz/Downloads/googlecloudsdk/lib/third_party/cloud_ml_引擎 e_sdk/prediction/prediction_lib.py”，第656行，在local_predict中 _，预测=模型。预测（实例） 文件“/Users/xyz/Downloads/googlecloudsdk/lib/third_party/cloud_ml_引擎 e_sdk/prediction/prediction_lib.py”，第553行，预测 输出=self.\u client.predict（列、统计） 文件“/Users/xyz/Downloads/googlecloudsdk/lib/third_party/cloud_ml_引擎 e_sdk/prediction/prediction_lib.py”，预测中第382行 运行图表时出现异常：“+str（e）） prediction_lib.PredictionError:（4，'运行图形时出现异常：无法执行g 源中的et元素作为字节。“）

---

build_parsing_transforming_serving_input_fn（）的文档说，它生成一个输入函数，将转换应用于编码为tf的原始数据。示例为序列化字符串。更复杂的是，该字符串必须进行base64编码才能发送到预测服务（请参阅）

我建议使用build\u default\u transforming\u serving\u input\u fn（），它用于json输入。那么您的json文件应该只有

{ "title": "E. D. Abbott Ltd", "text" : "Abbott of Farnham E D Abbott Limited was a British coachbuilding business" }
{ "title": "another title", "text" : "more text" }
...

---

无关：如果您将min_eval_frequency设置为高于1的某个值（1000通常是一个好数字），您应该会在培训时看到更好的性能，因此它可以在本地使用gcloud ml engine local predict \--model dir=$model_dir \--json instances=“$DATA_dir/test.json”\但是，在云ML上加载模型并请求预测gcloud ML引擎预测\--model$model\u NAME \--version$version \--json实例=“$DATA\u DIR/test.json”\返回`{“错误”：“预测失败：模型执行期间异常：流产错误（code=StatusCode.INVALID\u参数，详细信息=\”输入大小与签名\“”“}不匹配。知道发生了什么吗？当发送到服务时，请求的正文应该是：{“实例”：[{“标题”：“X”，“文本”：“Y”}。这就是您的吗？

def feature_columns(vocab_size=100000):
    result = []
    for key in TEXT_COLUMNS:
        column = tf.contrib.layers.sparse_column_with_integerized_feature(key, vocab_size, combiner='sum')
    result.append(column)
return result

model_fn = tf.contrib.learn.LinearClassifier(
      feature_columns=feature_columns(),
      n_classes=15,
      model_dir=output_dir
    )  

def get_transformed_reader_input_fn(transformed_metadata,
                                    transformed_data_paths,
                                    batch_size,
                                    mode):
  """Wrap the get input features function to provide the runtime arguments."""
  return input_fn_maker.build_training_input_fn(
      metadata=transformed_metadata,
      file_pattern=(
          transformed_data_paths[0] if len(transformed_data_paths) == 1
          else transformed_data_paths),
      training_batch_size=batch_size,
      label_keys=[LABEL_COLUMN],
      reader=gzip_reader_fn,
      key_feature_name='key',
      reader_num_threads=4,
      queue_capacity=batch_size * 2,
      randomize_input=(mode != tf.contrib.learn.ModeKeys.EVAL),
      num_epochs=(1 if mode == tf.contrib.learn.ModeKeys.EVAL else None))


transformed_metadata = metadata_io.read_metadata(
    args.transformed_metadata_path)
raw_metadata = metadata_io.read_metadata(args.raw_metadata_path)

train_input_fn = get_transformed_reader_input_fn(
    transformed_metadata, args.train_data_paths, args.batch_size,
    tf.contrib.learn.ModeKeys.TRAIN)

eval_input_fn = get_transformed_reader_input_fn(
    transformed_metadata, args.eval_data_paths, args.batch_size,
    tf.contrib.learn.ModeKeys.EVAL)

serving_input_fn = input_fn_maker.build_parsing_transforming_serving_input_fn(
        raw_metadata,
        args.transform_savedmodel,
        raw_label_keys=[],
        raw_feature_keys=model.TEXT_COLUMNS)

export_strategy = tf.contrib.learn.utils.make_export_strategy(
    serving_input_fn,
    default_output_alternative_key=None,
    exports_to_keep=5,
    as_text=True)

return Experiment(
    estimator=model_fn,
    train_input_fn=train_input_fn,
    eval_input_fn=eval_input_fn,
    export_strategies=export_strategy,
    eval_metrics=model.get_eval_metrics(),
    train_monitors=[],
    train_steps=args.train_steps,
    eval_steps=args.eval_steps,
    min_eval_frequency=1
)

{ "title": "E. D. Abbott Ltd", "text" : "Abbott of Farnham E D Abbott Limited was a British coachbuilding business" }
{ "title": "another title", "text" : "more text" }
...