当使用TensorFlow服务提供TF模型时，应该在哪里执行预处理和后处理步骤？

Question

通常，要使用TF图，必须将原始数据转换为数值。我将此过程称为预处理步骤。例如，如果原始数据是一个句子，那么一种方法是将句子标记化并将每个单词映射到唯一的数字。此预处理为每个句子创建一个数字序列，这将是模型的输入。

我们还需要对模型的输出进行后处理以解释它。例如，将模型生成的数字序列转换为单词，然后构建句子。

TF Serving是谷歌最近推出的一项新技术，用于服务于TF模型。我的问题是：

当使用TensorFlow服务提供TF模型时，应该在哪里执行预处理和后处理？

我应该在我的TF图中封装预处理和后处理步骤（例如使用py_fun或map_fn），还是我不知道的另一种TensorFlow技术。

Answer 1

我在这里遇到了同样的问题，即使我还没有100％确定如何使用wordDict变量（我猜你也用它来映射带有id的单词），主要的预处理和帖子-process函数在这里定义：

https://www.tensorflow.org/programmers_guide/saved_model

作为export_outputs和serving_input_receiver_fn。

• exports_outputs

如果您使用估算器，则需要在EstimatorSpec中定义。以下是分类算法的示例

  predicted_classes = tf.argmax(logits, 1)
  categories_tensor = tf.convert_to_tensor(CATEGORIES, tf.string)
  export_outputs = { "categories": export_output.ClassificationOutput(classes=categories_tensor) }
  if mode == tf.estimator.ModeKeys.PREDICT:
    return tf.estimator.EstimatorSpec(
        mode=mode,
        predictions={
            'class': predicted_classes,
            'prob': tf.nn.softmax(logits)
        },
        export_outputs=export_outputs)

• serving_input_receiver_fn

它需要在导出训练的估计器模型之前定义，它假定输入是一个原始字符串并从那里解析您的输入，您可以编写自己的函数，但我不确定何时可以使用外部变量。以下是分类算法的简单示例：

def serving_input_receiver_fn():
    feature_spec = { "words": tf.FixedLenFeature(dtype=tf.int64, shape=[4]) }
    return tf.estimator.export.build_parsing_serving_input_receiver_fn(feature_spec)()

  export_dir = classifier.export_savedmodel(export_dir_base=args.job_dir,
                                            serving_input_receiver_fn=serving_input_receiver_fn)

希望能帮助到你。