Python 为tensorflow分类器服务
我一直在与tensorflow的builder进行斗争,以便能够为我的模型提供服务,我正在尝试在为模型提供服务后将数据提供给我的分类器 我的问题是,我将如何向模型提供输入? 我看过谷歌的《盗梦空间》教程使用的代码 并试图实施Python 为tensorflow分类器服务,python,machine-learning,tensorflow,tensorflow-serving,Python,Machine Learning,Tensorflow,Tensorflow Serving,我一直在与tensorflow的builder进行斗争,以便能够为我的模型提供服务,我正在尝试在为模型提供服务后将数据提供给我的分类器 我的问题是,我将如何向模型提供输入? 我看过谷歌的《盗梦空间》教程使用的代码 并试图实施 classify_inputs_tensor_info = utils.build_tensor_info( serialized_tf_example) classes_output_tensor_info = utils.build_te
classify_inputs_tensor_info = utils.build_tensor_info(
serialized_tf_example)
classes_output_tensor_info = utils.build_tensor_info(classes)
scores_output_tensor_info = utils.build_tensor_info(values)
classification_signature = signature_def_utils.build_signature_def(
inputs={
signature_constants.CLASSIFY_INPUTS: classify_inputs_tensor_info
},
outputs={
signature_constants.CLASSIFY_OUTPUT_CLASSES:
classes_output_tensor_info,
signature_constants.CLASSIFY_OUTPUT_SCORES:
scores_output_tensor_info
},
method_name=signature_constants.CLASSIFY_METHOD_NAME)
根据我的理解,输入被传递到一个名为serialized_tf_example的张量,顾名思义,这个张量将输入序列化为string,但是他们使用我不理解的tf.FixedLenFeature,然后用tf.parse_example解析序列化的_tf_示例,并将其分配给模型中使用的x,但我想将其解析为一个分类器,该分类器接受数组作为输入,但不知道如何解决这个问题
在尝试实现这一点时,我写了这个
serialized_tf_example = tf.placeholder(tf.string, name='tf_example')
feature_configs = { 'audio/encoded': tf.FixedLenFeature( shape=[193], dtype=tf.float32, default_value=input_x),}
tf_example = tf.parse_example(serialized_tf_example, feature_configs)
x = tf_example['audio/encoded']
sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
# Define the dimensions in the feature columns
feature_columns = [tf.contrib.layers.real_valued_column("", dimension=5)]
classifier = tf.contrib.learn.DNNLinearCombinedClassifier(
dnn_feature_columns=feature_columns, dnn_hidden_units=[200,300], n_classes=10,
dnn_optimizer=tf.train.GradientDescentOptimizer(
learning_rate=0.01
)
)
#run training
classifier.fit(input_fn=get_train_inputs, steps=100)
#testing
accuracy_score = classifier.evaluate(input_fn=get_test_inputs, steps=10)["accuracy"]
print('Test accuracy : ', format(accuracy_score))
prediction = format(list(classifier.predict_classes(x, as_iterable=True)))
但是x是张量,所以不能被读取。当我尝试使用run或.eval()时,它要求我向序列化的\u tf\u示例提供一个值
InvalidArgumentError(回溯见上文):您必须输入一个值
对于带有数据类型字符串[[节点]的占位符张量“tf_示例”:
tf_示例=占位符dtype=DT_字符串,形状=[],
_device=“/job:localhost/replica:0/task:0/cpu:0”]]
当我使用prediction=format(list(classifier.predict_classes(np.array(x),as_iterable=True))时
我明白了
InvalidArgumentError(回溯请参见上文):中的形状
形状和切片规格[1200]与存储在中的形状不匹配
检查点:[193200][[节点:保存/恢复2_1=
RestoreV2[dtypes=[DT_FLOAT],
_device=“/job:localhost/replica:0/task:0/cpu:0”](_recv_save/Const_0,save/RestoreV2_1/tensor_name,save/RestoreV2_1/shape_and_slice)]]
您可以/应该使用classifier.predict而不使用tf.Example.Your input\u fn in train and eval返回x,y。您可以编写类似于其他输入函数的predict\u input\u fn
predictoin = next(classifier.predict_classes(input_fn=predict_input_fn))
请注意,如果您使用
list
函数得到所有预测,则应以异常结束。您可以检查tf.estimator.inputs.numpy\u input\u fn
嘿@user1454804我已尝试实现输入函数,但我得到TypeError:x必须是dict;得到张量