Django项目八——tensorflow serving部署深度模型——通过restful api通信

1：安装docker

windows中需要先安装WLS2，linux直接安装

2：docker pull tensorflow/serving

3：基于docker启动tensorflow serving

Windows

		docker run -p 8500:8500 --mount type=bind,source=E:\pythonproject\app_backen210705\app_backen210705\app_backen\bpmonitor\savedmodel,target=/models/savedmodel -e MODEL_NAME=savedmodel -t tensorflow/serving

Linux

		docker run -p 8501:8501 -v /opt/app_backen001/savedmodel_03081611:/models/savedmodel -e MODEL_NAME=savedmodel -t tensorflow/serving

注意

• source是本地模型的绝对路径，路径中不能有特殊符号，包括空格。
• 模型存放在savedmodel文件夹下面的一个名称为纯数字的文件夹内，这串数字表示这个模型的版本。而source路径中不包含这串数字。
• target路径中/models是固定的，后面的savedmodel应该与前面source路径里的名称一样，均为savedmodel，该名称被视为模型名称。
• MODEL_NAME就是模型名称。
• 如果使用restful进行通信，还需要 -p 8501:8501

启动后可以通过grpc或者restful传入数据并得到预测结果。

4： 使用tensorflow-serving的restful api进行交互

我使用的是restful的api

交互的时候要注意格式，严格按照模型的输入模型进行交互。

附上官网的api：https://tensorflow.谷歌.cn/tfx/serving/api_rest#start_modelserver_with_the_rest_api_endpoint

当然使用gRPC交互也行。

下面是我使用restful api和tensorflow-serving通信交互的代码：

import requests
import numpy as np
import os
import json
from django.http import JsonResponse


class NumpyArrayEncoder(json.JSONEncoder):
	def default(self,obj):
		if isinstance(obj,np.ndarray):
			return obj.tolist()
		return json.JSONEncoder.default(self,obj)

def Savedmodel(input):                                              # shape :(875,)

	url = "http://127.0.0.1:8501/v1/models/savedmodel:predict"
	input = [[x] for x in input]                                    # shape:(875,1)
	input_dict = {
		"instances":[ { "input_1":input } ]                         # 这里非常容易错，且报错的提示内容很晦涩难懂，不要相信他报的什么rank的错
	}
	input_json = json.dumps(input_dict, cls = NumpyArrayEncoder)
	response = requests.post(url,data=input_json)

	if response.status_code == 200:
			result = response.json()
			# 输出result到日志
	else:
			# 报错
	return result['predictions'][0]['xxx'][0]

这里的input对应的我的模型的metadata：
（metadata可以通过curl 或者 浏览器 访问http://127.0.0.1:8501/v1/models/savedmodel/metadata得到）

这篇好文章是转载于：学新通技术网