Я использую следующий код для экспорта предварительно обученной модели Keras ResNet50 в тензорный поток для обслуживания тензорного потока:
import tensorflow as tf
sess = tf.Session()
from keras import backend as K
K.set_session(sess)
K.set_learning_phase(0)
# Modelo resnet con pesos entrenados en imagenet
from keras.applications.resnet50 import ResNet50
model = ResNet50(weights='imagenet')
# exportar en tensorflow
import os
version_number = max([ int(x) for x in os.listdir('./resnet-classifier') ]) + 1
export_path = './resnet-classifier/{}'.format(version_number)
with tf.keras.backend.get_session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
tf.saved_model.simple_save(sess, export_path,
inputs=dict(input_image=model.input),
outputs={t.name:t for t in model.outputs}
)
Я пробовал несколько вариантов вышеперечисленного, все они с одинаковыми результатами (тот же прогноз при обслуживании с помощью тензорного потока).
Затем я запускаю тензорный поток, например:
docker run -p 8501:8501 \
-v ./resnet-classifier:/models/resnet-classifier \
-e MODEL_NAME=resnet-classifier -e MODEL_BASE_PATH=/models \
-t tensorflow/serving
Наконец, я использую следующую функцию, чтобы делать прогнозы относительно обслуживания тензорного потока:
def imagepath_to_tfserving_payload(img_path):
import numpy as np
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input
img = image.img_to_array(image.load_img(img_path, target_size=(224, 224)))
X = np.expand_dims(img, axis=0).astype('float32')
X = preprocess_input(X)
payload = dict(instances=X.tolist())
payload = json.dumps(payload)
return payload
def tfserving_predict(image_payload, url=None):
import requests
if url is None:
url = 'http://localhost:8501/v1/models/resnet-classifier:predict'
r = requests.post(url, data=image_payload)
pred_json = json.loads(r.content.decode('utf-8'))
from keras.applications.resnet50 import decode_predictions
predictions = decode_predictions(np.asarray(pred_json['predictions']), top=3)[0]
return predictions
Затем я использую обе указанные выше функции из оболочки ipython, чтобы выбрать случайные изображения из набора val imagenet, который я сохранил локально. Проблема в том, что обслуживание тензорного потока всегда возвращает один и тот же прогноз для всех отправляемых мной изображений.
Каждый раз, когда я экспортирую модель с помощью первого скрипта, приведенного выше, я получаю немного разные классы с достоверностью «1» для первого класса и «0» для других, например:
# Serialization 1, in ./resnet-classifier/1 always returning:
[
[
"n07745940",
"strawberry",
1.0
],
[
"n02104029",
"kuvasz",
1.4013e-36
],
[
"n15075141",
"toilet_tissue",
0.0
]
]
# Serialization 2, in ./resnet-classifier/2 always returning:
[
[
"n01530575",
"brambling",
1.0
],
[
"n15075141",
"toilet_tissue",
0.0
],
[
"n02319095",
"sea_urchin",
0.0
]
]
Это может быть связано с Tensorflow: обслуживающая модель всегда возвращает один и тот же прогноз, но я не знаю, как ответы там (не принятые) могут помочь.
Кто-нибудь знает, что не так наверху и как это исправить?