映射到标签的Tensorflow服务预测

我正在使用TensorFlow服务提供inception模型。我是在Azure Kubernetes上做这件事的，所以不是通过更标准、更完善的谷歌云

在任何情况下，这都是可行的，但我感到困惑的是，预测会以浮点数组的形式返回。这些值映射到培训期间传入的原始标签，但如果没有原始标签文件，则无法对每个概率所涉及的内容进行反向工程

在我开始服务之前，我只是简单地使用一个推理脚本，然后对标签文件进行交叉引用，我在训练时将其与冻结的模型一起存储。但在服务方面，这是行不通的

---

因此，我的问题是如何获得与模型关联的标签，并在理想情况下获得预测以返回标签和概率？

我确信有一种方法可以使用各种TF ops直接为此返回映射，但我已设法至少将标签打包到模型中，并在预测中返回它们有可能

我所做的是从labels数组中创建一个tf.constant，然后将该张量添加到tf.saved_model.signature_def_utils.build_signature_def中的输出张量数组中

---

现在，当我得到一个预测时，我得到了浮点数组和一个标签数组，我可以在客户端对它们进行匹配。

我尝试了@user1371314建议的方法，但我无法让它工作。另一个有效的解决方案是创建张量（而不是常数），并在保存模型时仅将其与输出层的第一个元素映射。当你把它放在一起时，它看起来是这样的：

# get labels names and create a tensor from it
.... 
label_names_tensor = tf.convert_to_tensor(label_names)

# save the model and map the labels to the output layer
tf.saved_model.simple_save(
        sess,
        "./saved_models",
        inputs={'image': model.input},
        outputs={'label' : label_names_tensor,'prediction': model.output[0]})

当您在提供模型后进行预测时，您将得到以下结果：

{
    "predictions": [
        {
            "label": "label-name",
            "prediction": 0.114107
        },
        {
            "label": "label-name",
            "prediction": 0.288598
        },
        {
            "label": "label-name",
            "prediction": 0.17436
        },
        {
            "label": "label-name",
            "prediction": 0.186366
        },
        {
            "label": "label-name",
            "prediction": 0.236568
        }
    ]