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

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