Python 用于分类器的Tensorflow服务SignatureDefs

我使用自己的文本和一些修改，按照以下步骤训练了一个BERT文本分类器：

要导出模型并使用Tensorflow Service运行它，以下步骤效果良好：

不幸的是，我无法真正理解如何定义分类器的SignatureDefs，以便定义Tensorflow服务的分类器端点。

：predict

端点运行良好，似乎是默认签名

显然，我必须在保存模型时定义签名。由于该主题的文档不是很详尽，我不确定如何定义分类器签名

在上面的BERT示例中，

服务结果

只需使用

tf.constant（示例）

定义

重新加载的模型

，并使用

服务结果=tf.sigmoid（服务结果['classifier'）]实例化它。

因此，我假设在调用

model.save

方法时，必须将激活函数和

分类器

签名作为参数

预测

端点起作用，

分类

端点给出错误：

{“error”：“SignatureDef:inputs{\n key:\“text\”\n value{\n name:\“serving\u default\u text:0\”\n dtype:DT\u STRING\n tensor\u shape{\n dim{\n size:-1\n}\n}\n}\n}\n}\n输出{\n key:\“classifier\”\n value{\n name:\“StatefPartitionedCall 2:0”\“\n dtype:DT\u FLOAT\n tensor\u shape{\n dim{\n size:-1\n}\n dim{\n size:1\n}\n}\n}\n}\n方法名称：\“tensorflow/service/predict\”\n}

---

如有任何提示，我将不胜感激。

可在此处找到定义签名的正确文档

builder.add_meta_graph_and_variables(
    sess, [tf.compat.v1.saved_model.tag_constants.SERVING],
    signature_def_map={
        'predict_images':
            prediction_signature,
        tf.compat.v1.saved_model.signature_constants
            .DEFAULT_SERVING_SIGNATURE_DEF_KEY:
            classification_signature,
    },