如何准备要部署在AI平台中的Tensorflow模型
我使用Tensorflow 2预训练模型（vgg16）对图像进行分类。我已经在本地机器上完成了培训，现在我想将其部署到GCloud AI平台。此模型的输入需要已解码并调整大小的图像。但是，当我尝试调用predict时，它返回一个错误，即我超出了大小限制。查看文档后，我发现这种方法效率很低，因此我必须使用base64编码来表示图像。问题是模型不需要编码图像，我知道需要在导出之前修改模型。但是，我看到的所有与此相关的问题（，，，）都来自TF版本1，使用了TF 2中不推荐使用的占位符 有人能帮我吗 以下是我用于迁移学习的代码：如何准备要部署在AI平台中的Tensorflow模型,tensorflow,keras,tensorflow-serving,google-cloud-ml,gcp-ai-platform-notebook,Tensorflow,Keras,Tensorflow Serving,Google Cloud Ml,Gcp Ai Platform Notebook,我使用Tensorflow 2预训练模型（vgg16）对图像进行分类。我已经在本地机器上完成了培训，现在我想将其部署到GCloud AI平台。此模型的输入需要已解码并调整大小的图像。但是，当我尝试调用predict时，它返回一个错误，即我超出了大小限制。查看文档后，我发现这种方法效率很低，因此我必须使用base64编码来表示图像。问题是模型不需要编码图像，我知道需要在导出之前修改模型。但是，我看到的所有与此相关的问题（，，，）都来自TF版本1，使用了TF 2中不推荐使用的占位符 有人能帮我吗 以
base\u model=VGG16（输入\u shape=（IMG\u大小，IMG\u大小，3），包括\u top=False，weights='imagenet'）
输入=tf.keras.Input（形状=IMG_大小+（3，））
x=基本模型（输入，训练=假）
x=layers.GlobalAveragePoolig2D（）（x）
x=层。辍学（0.2）（x）
x=层密度（128，activation=“relu”）（x）
x=层。辍学（0.2）（x）
x=层。密集（1，激活=“sigmoid”）（x）
模型=模型（输入，x）
model.compile（loss='binary\u crossentropy'，
优化器=Adam（lr=学习率），
度量=度量）
hist_log=model.fit(
列车发电机，
每历元步数=列车步数，
时代，
验证\u数据=有效的\u生成器，
验证步骤=步骤值，
verbose=1，
回调=回调）
model.save（导出路径）