TF 服务:生产中的 TensorFlow 模型
TensorFlow 模型在开发环境中经过训练和验证。一旦发布,它们需要托管在某个地方,提供用工程师和软件工程师使用,以集成到各种应用中。 TensorFlow 为此提供了一个高表现服务器,称为 TensorFlow 服务。
要在生产中提供 TensorFlow 模型,需要在离线训练后保存它们,然后在生产环境中恢复经过训练的模型。 TensorFlow 模型在保存时包含以下文件:
- 元图:元图表示图的协议缓冲区定义。元图保存在具有
.meta
扩展名的文件中。 - checkpoint :检查点代表各种变量的值。检查点保存在两个文件中:一个带有
.index
扩展名,另一个带有.data-00000-of-00001
扩展名。
在本章中,我们将学习各种保存和恢复模型的方法以及如何使用 TF 服务来提供模型。我们将使用 MNIST 示例来简化操作并涵盖以下主题:
- 使用
Saver
类在 TensorFlow 中保存和恢复模型 - 保存和恢复 Keras 模型
- TensorFlow 服务
- 安装 TF 服务
- 保存 TF 服务的模型
- 用 TF Serving 服务模型
- TF 在 Docker 容器中提供服务
- TF 服务于 Kubernetes