python - 云预测和本地预测返回的结果不一样

Question

我用 tensorflow 训练了一个图像分类器并将其部署在云中。当我在本地执行预测时，我会得到一个结果，当我使用部署的模型执行批量预测时，我会得到不同的结果。

为了在本地执行预测，我使用这个 script

要使用云执行预测，我首先调整图像大小并将其转换为 float32 数组(模型使用该类型进行训练)，然后使用以下命令将其保存为 JSON 文件:

import skimage, json
from PIL import Image
from resizeimage import resizeimage


with open('xxx.jpg', 'r+b') as f:
    with Image.open(f) as image:
        resized_image = resizeimage.resize_cover(image, [299,299])



converted_image = skimage.img_as_float32(resized_image).tolist()

with open('request.json','w') as jsonfile:
    json.dump({"image": converted_image}, jsonfile)

然后我将请求上传到我的云存储桶中并创建一个预测作业，如下所示:

gcloud ml-engine jobs submit prediction "test_batch_prediction" \
                       --model "xxx" \
                       --input-paths "gs://path/to/my/request/request.json" \
                       --output-path "gs://path/to/where/prediction/will/be/saved/prediction_results/" \
                       --region "europe-west1" \
                       --data-format "text"

我认为问题在于调整图像大小并将其转换为 float32，因为在执行训练或本地预测时我没有使用与 tensorflow 相同的方法。这会是问题所在吗？或者还有什么我需要担心的。

Answer 1

您使用的脚本在本地标准化了 0 到 255 之间的像素值(均值默认为 0):

归一化 = tf.divide(tf.subtract(调整大小, [input_mean]), [input_std])

您用于上传到cloudml进行在线预测的代码缺少标准化步骤。添加此:

转换后的图像 = 转换后的图像/255.0