文章目錄

• • 1. 安裝 Docker
  • 2. 使用 Docker 部署
  • 3. 請(qǐng)求服務(wù)
  • • 3.1 手寫(xiě)數(shù)字例子
    • 3.2 貓狗分類(lèi)例子

參考：
https://tf.wiki/zh_hans/deployment/serving.html#
https://tensorflow.google.cn/tfx/serving/docker

1. 安裝 Docker

以下均為 centos7 環(huán)境
參考文章：docker安裝等操作

2. 使用 Docker 部署

• 拉鏡像 docker pull tensorflow/serving
  
• 模型路徑，版本號(hào)1,2，默認(rèn)加載最大數(shù)字的
  
  
• bash 輸入命令，注意路徑，mymodel跟請(qǐng)求的代碼保持一致

docker run -p 8501:8501 --mount type=bind,source=/home/dnn/project/tf2,target=/models/mymodel -e MODEL_NAME=mymodel -t tensorflow/serving

• 手寫(xiě)數(shù)字識(shí)別 模型代碼+導(dǎo)出模型

# 手寫(xiě)數(shù)字 tf 實(shí)現(xiàn) import numpy as np import tensorflow as tfclass MNistLoader():def __init__(self):data = tf.keras.datasets.mnist# 加載數(shù)據(jù)(self.train_data, self.train_label), (self.test_data, self.test_label) = data.load_data()# 擴(kuò)展維度，灰度圖1通道 [batch_size, 28, 28, chanels=1]self.train_data = np.expand_dims(self.train_data.astype(np.float32) / 255.0, axis=-1)self.test_data = np.expand_dims(self.test_data.astype(np.float32) / 255.0, axis=-1)self.train_label = self.train_label.astype(np.int32)self.test_label = self.test_label.astype(np.int32)# 樣本個(gè)數(shù)self.num_train_data, self.num_test_data = self.train_data.shape[0], self.test_data.shape[0]def get_batch(self, batch_size):# 從訓(xùn)練集里隨機(jī)取出 batch_size 個(gè)樣本idx = np.random.randint(0, self.num_train_data, batch_size)return self.train_data[idx, :], self.train_label[idx]# 自定義多層感知機(jī)模型 class MLPmodel(tf.keras.Model):def __init__(self):super().__init__()# 除第一維以外的維度展平self.flatten = tf.keras.layers.Flatten()self.dense1 = tf.keras.layers.Dense(units=100, activation='relu')self.dense2 = tf.keras.layers.Dense(units=10)@tf.function # 計(jì)算圖模式，導(dǎo)出需要def call(self, input):x = self.flatten(input)x = self.dense1(x)x = self.dense2(x)output = tf.nn.softmax(x)return outputnum_epochs = 5 batch_size = 50 learning_rate = 1e-4mymodel = MLPmodel()data_loader = MNistLoader()mymodel.compile(optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate),loss=tf.keras.losses.sparse_categorical_crossentropy,metrics=[tf.keras.metrics.sparse_categorical_accuracy] ) mymodel.fit(data_loader.train_data, data_loader.train_label,batch_size=batch_size,epochs=num_epochs)# 導(dǎo)出模型 tf.saved_model.save(mymodel, "./2") # 載入模型 mymodel = tf.saved_model.load('./2')res = mymodel.call(data_loader.test_data) print(res)

3. 請(qǐng)求服務(wù)

3.1 手寫(xiě)數(shù)字例子

import numpy as np import tensorflow as tf import json import requests import matplotlib.pyplot as pltclass MNistLoader():def __init__(self):data = tf.keras.datasets.mnist# 加載數(shù)據(jù)(self.train_data, self.train_label), (self.test_data, self.test_label) = data.load_data()# 擴(kuò)展維度，灰度圖1通道 [batch_size, 28, 28, chanels=1]self.train_data = np.expand_dims(self.train_data.astype(np.float32) / 255.0, axis=-1)self.test_data = np.expand_dims(self.test_data.astype(np.float32) / 255.0, axis=-1)self.train_label = self.train_label.astype(np.int32)self.test_label = self.test_label.astype(np.int32)# 樣本個(gè)數(shù)self.num_train_data, self.num_test_data = self.train_data.shape[0], self.test_data.shape[0]def get_batch(self, batch_size):# 從訓(xùn)練集里隨機(jī)取出 batch_size 個(gè)樣本idx = np.random.randint(0, self.num_train_data, batch_size)return self.train_data[idx, :], self.train_label[idx]size = 6 dataloader = MNistLoader()data = json.dumps({'instances': dataloader.test_data[0:size].tolist() })headers = {'content-type': 'application/json'}json_response = requests.post(url='http://localhost:8501/v1/models/mymodel:predict',data=data, headers=headers )pred = np.array(json.loads(json_response.text)['predictions']) print("預(yù)測(cè)結(jié)果：", np.argmax(pred, axis=-1))# 打印圖片 plt.subplots(1, size) idx = 1 for img in dataloader.test_data[0:size]:plt.subplot(1, size, idx)plt.imshow(img)idx += 1 plt.show()

輸出：

預(yù)測(cè)結(jié)果： [7 2 1 0 4 1]

跟圖片顯示一致

3.2 貓狗分類(lèi)例子

模型代碼

訓(xùn)練完后，導(dǎo)出模型

tf.saved_model.save(model, './3') import numpy as np import tensorflow as tf import json import requests import matplotlib.pyplot as plttest_pic = ["./dogs-vs-cats/test/1.jpg","./dogs-vs-cats/test/7.jpg"]# 狗1， 貓0 test_data = np.array([_decode_and_resize(f).numpy() for f in test_pic])data = json.dumps({'instances': test_data.tolist() })headers = {'content-type': 'application/json'}json_response = requests.post(url='http://localhost:8501/v1/models/mymodel:predict',data=data, headers=headers ) pred = np.array(json.loads(json_response.text)['predictions']) print("預(yù)測(cè)結(jié)果：", np.argmax(pred, axis=-1))for img in test_data:plt.imshow(img)plt.show()

輸出：

預(yù)測(cè)結(jié)果： [1 0] # 狗，貓

總結(jié)

以上是生活随笔為你收集整理的用Docker部署TensorFlow Serving服务的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。