rest - TensorFlow Serving REST API 的正确负载

Question

我已将 Keras 模型转换为 Tensorflow 估计器，将 Tensorflow Transform 添加到图表中，然后导出模型以供服务。

当我检查模型签名时，我可以看到以下信息:

signature_def['serving_default']:
  The given SavedModel SignatureDef contains the following input(s):
    inputs['examples'] tensor_info:
        dtype: DT_STRING
        shape: (-1)
        name: input_example_tensor:0
  The given SavedModel SignatureDef contains the following output(s):
    outputs['specialities'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 154)
        name: specialities/Softmax:0
  Method name is: tensorflow/serving/predict

我使用 tf.estimator.export.build_parsing_serving_input_receiver_fn 转换了功能规范，因此签名中输入节点的名称为 example。我的模型中输入节点的名称是“procedures”。

然后我使用 saved_model_cli 手动测试导出的模型，一切看起来都很好(我得到了概率列表)

!saved_model_cli run --dir=/model_dir/1533849825 
                     --tag_set serve 
                     --signature_def serving_default  
                     --input_examples 'examples=[{"procedures": ["99214,17000,17000,13121,99203"]}]'

现在，我将此模型加载到 TF Serving 中，模型服务器启动正常。

当我使用下面的 json 负载 (application/json) 请求模型预测时，出现以下错误:

{
  "signature_name":"serving_default",
  "instances":[
    {
       "examples":["99214,17000,17000,13121,99203"]
    }
  ]
}

错误:

"error": "Expected serialized to be a vector, got shape: [1,1]

不同的有效负载结构会导致此错误

{
 "signature_name":"serving_default",
 "examples":[
    {
      "procedure":["99214,17000,17000,13121,99203"]
    }
  ]
}

错误:

"error": "JSON Value: {\n    \"signature_name\": \"serving_default\",\n    
\"examples\": [\n        {\n            \"procedures\": 
["99214,17000,17000,13121,99203"]]\n        }\n    ]\n} not formatted 
correctly. Expecting object with \'instances\' key and a list/array as the value." 

在此预测案例中，TensorFlow Serving 请求的正确负载格式是什么？

有效负载是否需要格式化为 tf.Example 结构？

Answer 1

我在这里给出了一个Estimator api的例子，希望它可以帮助那些遇到类似问题的人。

要使用 Estimator 导出 SavedModel，您需要一个 input_receiver_fn 来在服务时接受输入。我的应用程序中的 input_receiver_fn 如下:

def _serving_input_receiver_fn():
  serialized_tf_sample = tf.placeholder(dtype=tf.string,
                                        shape=None, name='input_example_tensor')
  receiver_tensors = {'example': serialized_tf_sample}
  # example_proto: {'feature_name': tf.VarLenFeature(tf.int64),}
  features = tf.parse_example(serialized_tf_sample, example_proto)
  return tf.estimator.export.ServingInputReceiver(features, receiver_tensors)

您可以将以下代码放在train_and_evaluate下以导出SavedModel

estimator.export_savedmodel(model_export_path, _serving_input_receiver_fn)

要为模型提供服务，您可以拉取 tensorflow/serving docker 镜像，您可以引用https://www.tensorflow.org/serving/docker求助。 (我建议你用 devel 标签拉取镜像，这样调试起来更好)

只需运行以下命令即可开始服务

/usr/local/bin/tensorflow_model_server --port=8500 --rest_api_port=8501 --model_name=my_model --model_base_path my_model_path

客户端代码很简单，但是要小心。因为序列化的示例应该使用base64编码并添加b64 key 。

import requests
resp = requests.post('http://host:8501/v1/models/my_model:predict', json={
        'instances': [
            {'example': {'b64':base64.b64encode(single_example.SerializeToString())}}
        ]})
resp.json()

如果您有任何疑问，请在下面评论。