如何将图形导出到Tensorflow Serving，以便输入为b64

Question

我有一个形状为(？，224224，3(的float32张量的Keras图，我想将其导出到Tensorflow Serving，以便使用RESTful进行预测。问题是我不能输入张量，而是编码b64字符串，因为这是RESTneneneba API的限制。这意味着在导出图形时，输入需要是一个需要解码的字符串。

如何"注入"要转换为旧张量的新输入，而不重新训练图本身？我试过几个例子[1][2]。

我目前有以下代码用于导出：

image = tf.placeholder(dtype=tf.string, shape=[None], name='source')

signature = predict_signature_def(inputs={'image_bytes': image},
outputs={'output': model.output})

我需要找到一种将图像转换为model.input的方法，或者一种将模型输出连接到图像的方法。

如有任何帮助，我们将不胜感激！

Answer 1

您可以使用tf.decode_base64:

image = tf.placeholder(dtype=tf.string, shape=[None], name='source')
image_b64decoded = tf.decode_base64(image)
signature = predict_signature_def(inputs={'image_bytes': image_b64decoded},
outputs={'output': model.output})

编辑：

如果您需要使用tf.image.decode_image，您可以使用tf.map_fn:使其与多个输入一起工作

image = tf.placeholder(dtype=tf.string, shape=[None], name='source')
image_b64decoded = tf.decode_base64(image)
image_decoded = tf.map_fn(tf.image.decode_image, image_b64decoded, dtype=tf.uint8)

当然，只要图像具有所有相同的尺寸，这将起作用。然而，结果是具有完全未知形状的张量，因为tf.image.decode_image可以根据图像类型输出不同数量的维度。您可以重塑它，也可以使用另一个tf.image.decode_*调用，这样至少张量中有已知数量的维度。

Answer 2

创建export_model可能是一种更简单的方法。tensorflow.org 中的一个例子

1. 具有float32，shape(？，224224，3(张量的Keras图

model = ...

2. 定义一个函数来预处理b64图像

def preprocess_input(base64_input_bytes):
def decode_bytes(img_bytes):
img = tf.image.decode_jpeg(img_bytes, channels=3)
img = tf.image.resize(img, (224, 224))
img = tf.image.convert_image_dtype(img, tf.float32)
return img
base64_input_bytes = tf.reshape(base64_input_bytes, (-1,))
return tf.map_fn(lambda img_bytes:
decode_bytes(img_bytes),
elems=base64_input_bytes,                     
fn_output_signature=tf.float32)

3. 导出服务模型

serving_inputs = tf.keras.layers.Input(shape=(), dtype=tf.string, name='b64_input_bytes')
serving_x = tf.keras.layers.Lambda(preprocess_input, name='decode_image_bytes')(serving_inputs)
serving_x = model(serving_x)
serving_model = tf.keras.Model(serving_inputs, serving_x)
tf.saved_model.save(serving_model, serving_model_path)

4. 上菜

import requests
data = json.dumps({"signature_name": "serving_default", "instances": [{"b64_input_bytes": {"b64": b64str_1}}, {"b64_input_bytes": {"b64": b64str_2}}]})
headers = {"content-type": "application/json"}
json_response = requests.post('http://localhost:8501/v1/models/{model_name}:predict', data=data, headers=headers)
predictions = json.loads(json_response.text)['predictions']