当我们想使用TensorFlow加载模型时，我们这样做：
path_to _frozen = model_path + '/frozen_inference_graph.pb'
detection_graph = tf.Graph()
with detection_graph.as_default():
od_graph_def = tf.GraphDef()
with tf.io.gfile.GFile(path_to _frozen, 'rb') as fid:
serialized_graph = fid.read()
od_graph_def.ParseFromString(serialized_graph)
tf.import_graph_def(od_graph_def, name='')
我们如何使用谷歌云功能在谷歌存储桶上加载存储的模型？
def download_blob(bucket_name, source_blob_name, destination_file_name):
storage_client = storage.Client()
bucket = storage_client.get_bucket(bucket_name)
blob = bucket.blob(source_blob_name)
blob.download_to_filename(destination_file_name)
def 处理程序(请求(： download_blob(BUCKET_NAME，'redbull/output_inference_graph.pb/frozen_inference_graph.pb'，'/tmp/frozen_inference_graph.pb'( 打印("确定"( detection_graph = tf。图形(( 使用 detection_graph.as_default((： od_graph_def = tf。GraphDef(( 使用 tf.io.gfile.GFile('/tmp/frozen_inference_graph.pb'， 'rb'( 作为 fid： serialized_graph = fid.read(( od_graph_def。ParseFromString(serialized_graph( tf.import_graph_def(od_graph_def， 名称=''(
您可以将 pb 文件存储在存储中。
然后，在您的函数中，将其下载到本地可写目录/tmp中。请记住，此目录"在内存中"。这意味着必须很好地定义分配给函数的内存，以处理应用内存占用和模型下载的文件
将你的第一行替换为这样的内容。
# Be sure that your function service account as access to the storage bucket
storage_client = storage.Client()
bucket = storage_client.get_bucket('<bucket_name>')
blob = bucket.blob('<path/to>/frozen_inference_graph.pb')
# Download locally your pb file
path_to_frozen = '/tmp/frozen_inference_graph.pb'
blob.download_to_filename(path_to_frozen)