使用 export_saved_model 导出张量流图

Question

我正在尝试训练和部署简化的 Quick, Draw！从分类在这里对谷歌的云。我已经设法在 GC 中训练模型，现在坚持部署它，更准确地说，是创建服务输入函数。

我正在按照这里的说明进行操作，并且在尝试理解输入张量应该是什么类型时遇到了困难。

错误：

类型错误：无法将类型的对象转换为张量。内容：SparseTensor(indices=Tensor("ParseExample/ParseExample:0", shape=(?, 2), dtype=int64), values=Tensor("ParseExample/ParseExample:1", shape=(?,), dtype= float32),dense_shape=Tensor("ParseExample/ParseExample:2", shape=(2,), dtype=int64))。考虑将元素转换为支持的类型。

服务功能：

def serving_input_receiver_fn():

  serialized_tf_example = tf.placeholder(dtype=tf.string, shape=[None], name='input_tensors')

  receiver_tensors = {'infer_inputs': serialized_tf_example}

  features = tf.parse_example(serialized_tf_example, feature_spec)

  return tf.estimator.export.ServingInputReceiver(features, receiver_tensors)

功能规格：

feature_spec = {

    "ink": tf.VarLenFeature(dtype=tf.float32),

    "shape": tf.FixedLenFeature([2], dtype=tf.int64)

}

输入层：

def _get_input_tensors(features, labels):

  shapes = features["shape"]

  lengths = tf.squeeze(

    tf.slice(shapes, begin=[0, 0], size=[params.batch_size, 1]))

  inks = tf.reshape(features["ink"], [params.batch_size, -1, 3])

  if labels is not None:

    labels = tf.squeeze(labels)

  return inks, lengths, labels

模型代码和训练数据取自这里。

Answer 1

试试这个：def serving_input_receiver_fn():  ink = tf.placeholder(dtype=tf.float32, shape=[None, None, 3], name='ink')  length = tf.placeholder(dtype=tf.int64, shape=[None, 1])  features = {"ink": inks, "length": lengths}  return tf.estimator.export.ServingInputReceiver(features, features)一个示例有效载荷是：{"instances": [{"ink": [[0.1, 1.0, 2.0]], "length":[[1]]}]}或作为输入gcloud predict --json-instances：{"ink": [[0.1, 1.0, 2.0]], "length":[[1]]}]我没有研究实际代码；如果墨水通常会容纳大量浮点数，您可能需要考虑替代编码系统。