Python 如何在cloud ml中正确预测jpeg图像

我想在cloud-ml中预测jpeg图像

我的培训模型是inception模型，我想将输入发送到图形的第一层：

'DecodeJpeg/contents:0'

（在这里我必须发送jpeg图像）。我通过添加以下内容将此层设置为可能的输入：

然后，我将培训结果保存在两个文件（export和export.meta）中，其中包括：

我使用这些文件在CloudML中创建了一个模型

正如一些帖子（以及谷歌云官方博客）所建议的那样，我正试图用

gcloud beta ml predict --json-instances=request.json --model=MODEL

其中，实例是以base64格式解码的jpeg图像，具有：

python -c 'import base64, sys, json; img = base64.b64encode(open(sys.argv[1], "rb").read()); print json.dumps({"key":"0", "image_bytes": {"b64": img}})' image.jpg &> request.json

但是，请求返回给我：

error: 'Prediction failed: '

我的程序有什么问题？你有什么建议吗？

---

我在文章中假设cloud ml在读取带有图像字节的请求时自动将base64图像转换为jpeg格式。对吗？否则我该怎么办？

CloudML要求您向图形提供一批图像

---

我很确定这就是重新使用retain.py的问题所在。看到代码的；它一次传送一个图像。与中的批处理jpeg占位符比较。

注意，需要构建三个稍有不同的TF图：训练、评估和预测。有关详细信息，请参阅。训练图和预测图直接使用预处理中的嵌入，因此它们不包含初始图。对于预测，我们需要将图像字节作为输入，并使用Inception来提取嵌入

对于在线预测，您需要导出预测图。还应指定输出和输入键

要构建预测图（）：

要导出精度图，请执行以下操作：

def export(self, last_checkpoint, output_dir):
  # Build and save prediction meta graph and trained variable values.
  with tf.Session(graph=tf.Graph()) as sess:        
    self.build_prediction_graph()
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    self.restore_from_checkpoint(sess, self.inception_checkpoint_file,
                                 last_checkpoint)
    saver = tf.train.Saver()
    saver.export_meta_graph(filename=os.path.join(output_dir, 'export.meta'))
    saver.save(sess, os.path.join(output_dir, 'export'), write_meta_graph=False)

最后一个检查点必须指向培训中的最新检查点文件：

self.model.export(tf.train.latest_checkpoint(self.train_path), self.model_path)

---

在您的帖子中，您指出您的输入集合只有“image_bytes”张量别名。但是，在构建请求的代码中，包含两个输入：一个是“key”，另一个是“image_bytes”。因此，我的建议是从请求中删除“key”，或者在输入集合中添加“key”

第二个问题是DecodeJpeg/contents:0'的形状是（）。对于CloudML，您需要有一个类似于（None，）的形状，以便可以输入它

在你的问题的其他答案中有一些建议，关于你如何能够跟随公共帖子修改你的图表，但我可以告诉你这两个问题

---

如果您遇到任何进一步的问题，请告诉我们。

我可能需要更多信息来更好地帮助您。您介意将您的项目编号、型号和版本名发送给cloudml吗-feedback@google.com?

def build_prediction_graph(self):
   """Builds prediction graph and registers appropriate endpoints."""
   tensors = self.build_graph(None, 1, GraphMod.PREDICT)
   keys_placeholder = tf.placeholder(tf.string, shape=[None])
   inputs = {
      'key': keys_placeholder.name,
      'image_bytes': tensors.input_jpeg.name
   }

   tf.add_to_collection('inputs', json.dumps(inputs))

   # To extract the id, we need to add the identity function.
   keys = tf.identity(keys_placeholder)
   outputs = {
       'key': keys.name,
       'prediction': tensors.predictions[0].name,
       'scores': tensors.predictions[1].name
   }
   tf.add_to_collection('outputs', json.dumps(outputs))

def export(self, last_checkpoint, output_dir):
  # Build and save prediction meta graph and trained variable values.
  with tf.Session(graph=tf.Graph()) as sess:        
    self.build_prediction_graph()
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    self.restore_from_checkpoint(sess, self.inception_checkpoint_file,
                                 last_checkpoint)
    saver = tf.train.Saver()
    saver.export_meta_graph(filename=os.path.join(output_dir, 'export.meta'))
    saver.save(sess, os.path.join(output_dir, 'export'), write_meta_graph=False)

self.model.export(tf.train.latest_checkpoint(self.train_path), self.model_path)