tensorflow serving 服务部署与访问（Python + Java）

最新推荐文章于 2024-04-02 16:33:45 发布

shin_chen_名字不要重复

最新推荐文章于 2024-04-02 16:33:45 发布

阅读量3.1w

点赞数 4

本文链接：https://blog.csdn.net/shin627077/article/details/78592729

版权

tensorflow 同时被 3 个专栏收录

5 篇文章 0 订阅

订阅专栏

java

5 篇文章 0 订阅

订阅专栏

serving

3 篇文章 0 订阅

订阅专栏

我的目标是使用tensorflow serving 用docker部署模型后，将服务暴露出来，分别在Python和Java中对模型进行访问，因为tensorflow serving的文档较少，grpc使用花了不少时间，不过总算是可以用了。
后续优化：这样简单地部署的Serving服务，，所以每次调用都需要花比较多的时间（感觉像是每次都需要加载模型，本地加载完模型后单预测只需要十几毫秒），需要后续找时间看看有没有办法让模型预加载，服务调用时使用预测方法。

Tensorflow Serving 服务部署

我直接用tensorflow serving docker部署的，直接按照官方的文档即可，唯一可能不同的是国内的网络问题，可以将下载和安装的步骤从dockerfile里面转移到登陆docker container去手动做。
我的总体环境：
tensorflow 1.3.0
python 3.5
java 1.8

Tensorflow Serving 服务编写

这里我训练了一个分类器，主要有三个分类，主要代码如下：

#设置导出时的目录特征名
export_time = time.strftime('%Y-%m-%d-%H-%M-%S', time.localtime(time.time()))
#为了接收平铺开的图片数组（Java处理比较麻烦） 150528 = 224*224*3
x = tf.placeholder(tf.float32, [None, 150528])
x2 = tf.reshape(x, [-1, 224, 224, 3])
#我自己的网络预测
prob = net.network(x2)

sess = tf.Session()
#恢复模型参数
saver = tf.train.Saver()
module_file = tf.train.latest_checkpoint(weights_path)
saver.restore(sess, module_file)
#获取top 1预测
values, indices = tf.nn.top_k(prob, 1)
#创建模型输出builder
builder = tf.saved_model.builder.SavedModelBuilder(exporter_path + export_time)
#转化tensor到模型支持的格式tensor_info，下面的reshape是因为只想输出单个结果数组，否则是二维的
tensor_info_x = tf.saved_model.utils.build_tensor_info(x)
tensor_info_pro = tf.saved_model.utils.build_tensor_info(tf.reshape(values, [1]))
tensor_info_classify = tf.saved_model.utils.build_tensor_info(tf.reshape(indices, [1]))
#定义方法名和输入输出
signature_def_map = {
        "predict_image": tf.saved_model.signature_def_utils.build_signature_def(
            inputs={"image": tensor_info_x},
            outputs={
                "pro": tensor_info_pro,
                "classify": tensor_info_classify
            },
            method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME
        )}
builder.add_meta_graph_and_variables(sess,
                                      [tf.saved_model.tag_constants.SERVING],
                                         signature_def_map=signature_def_map)
builder.save()

可以使用python命令生成模型文件夹，里面包含了saved_model.pb文件和variables文件夹
接着在container中可以新建一个文件夹，如serving-models，在文件夹下新建该模型文件夹classify_data，用来存放的模型文件夹，使用docker拷贝的命令拷贝模型到模型文件夹中：

docker cp 本机模型文件夹 containerId:/serving-models/classify_data/模型版本号

启动模型服务，监听9000端口：

bazel-bin/tensorflow_serving/model_servers/tensorflow_model_server --port=9000 --model_name=classify_data --model_base_path=/serving-models/classify_data/

Python 客户端

编写Python访问客户端，可以运行看看之前保存模型时，signature_def_map的输入输出：

inputs {
  key: "image"
  value {
    name: "Placeholder:0"
    dtype: DT_FLOAT
    tensor_shape {
      dim {
        size: -1
      }
      dim {
        size: 224
      }
      dim {
        size: 224
      }
      dim {
        size: 3
      }
    }
  }
}
outputs {
  key: "classify"
  value {
    name: "ToFloat_1:0"
    dtype: DT_FLOAT
    tensor_shape {
      dim {
        size: -1
      }
      dim {
        size: 1
      }
    }
  }
}
outputs {
  key: "pro"
  value {
    name: "TopKV2:0"
    dtype: DT_FLOAT
    tensor_shape {
      dim {
        size: -1
      }
      dim {
        size: 1
      }
    }
  }
}

我们可以定义自己的proto文件，并使用tenserflow/serving/api中的proto来生成代码，这里我不打算如此做，而是用pip install tensorflow-serving-client安装了一个第三方提供的库来访问tensorflow serving服务，python代码如下：

import sys
sys.path.insert(0, "./")
from tensorflow_serving_client.protos import predict_pb2, prediction_service_pb2
import cv2
from grpc.beta import implementations
import tensorflow as tf
from tensorflow.python.framework import dtypes
import time

#注意，如果在windows下测试，文件名可能需要写成：im_name = r"测试文件目录\文件名"
im_name = "测试文件目录/文件名"
if __name__ == '__main__':
    #文件读取和处理
    im = cv2.imread(im_name)
    re_im = cv2.resize(im, (224, 224), interpolation=cv2.INTER_CUBIC)
    #记个时
    start_time = time.time()
    #建立连接
    channel = implementations.insecure_channel("你的ip", 9000)
    stub = prediction_service_pb2.beta_create_PredictionService_stub(channel)
    request = predict_pb2.PredictRequest()
    #这里由保存和运行时定义，第一个是运行时配置的模型名，第二个是保存时输入的方法名
    request.model_spec.name = "classify_data"
    #入参参照入参定义
    request.inputs["image"].ParseFromString(tf.contrib.util.make_tensor_proto(re_im, dtype=dtypes.float32, shape=[1, 224, 224, 3]).SerializeToString())
    #第二个参数是最大等待时间，因为这里是block模式访问的
    response = stub.Predict(request, 10.0)
    results = {}
    for key in response.outputs:
        tensor_proto = response.outputs[key]
        nd_array = tf.contrib.util.make_ndarray(tensor_proto)
        results[key] = nd_array
    print("cost %ss to predict: " % (time.time() - start_time))
    print(results["pro"])
    print(results["classify"])

最终输出，例如：

cost 5.115269899368286s to predict: 
[ 1.]
[2]

Java 访问

Java和Python一样，可以选择自己编译proto文件，也可以像我一样用第三方库，我是用的是这个http://mvnrepository.com/artifact/com.yesup.oss/tensorflow-client/1.4-2
在pom.xml下加入依赖：

        <dependency>
            <groupId>com.yesup.oss</groupId>
            <artifactId>tensorflow-client</artifactId>
            <version>1.4-2</version>
        </dependency>
        <!-- 这个库是做图像处理的 -->
        <dependency>
            <groupId>net.coobird</groupId>
            <artifactId>thumbnailator</artifactId>
            <version>0.4.8</version>
        </dependency>
        <dependency>
            <groupId>io.grpc</groupId>
            <artifactId>grpc-netty</artifactId>
            <version>1.7.0</version>
        </dependency>
        <dependency>
            <groupId>io.netty</groupId>
            <artifactId>netty-tcnative-boringssl-static</artifactId>
            <version>2.0.7.Final</version>
        </dependency>

Java代码如下：

String file = "文件地址"
//读取文件，强制修改图片大小，设置输出文件格式bmp(模型定义时输入数据是无编码的)
BufferedImage im = Thumbnails.of(file).forceSize(224, 224).outputFormat("bmp").asBufferedImage();
//转换图片到图片数组，匹配输入数据类型为Float
Raster raster = im.getData();
List<Float> floatList = new ArrayList<>();
float [] temp = new float[raster.getWidth() * raster.getHeight() * raster.getNumBands()];
float [] pixels  = raster.getPixels(0,0,raster.getWidth(),raster.getHeight(),temp);
for(float pixel: pixels) {
    floatList.add(pixel);
}

#记个时
long t = System.currentTimeMillis();
#创建连接，注意usePlaintext设置为true表示用非SSL连接
ManagedChannel channel = ManagedChannelBuilder.forAddress("192.168.2.24", 9000).usePlaintext(true).build();
//这里还是先用block模式
PredictionServiceGrpc.PredictionServiceBlockingStub stub = PredictionServiceGrpc.newBlockingStub(channel);
//创建请求
Predict.PredictRequest.Builder predictRequestBuilder = Predict.PredictRequest.newBuilder();
//模型名称和模型方法名预设
Model.ModelSpec.Builder modelSpecBuilder = Model.ModelSpec.newBuilder();
modelSpecBuilder.setName("classify_data");
modelSpecBuilder.setSignatureName("predict_image");
predictRequestBuilder.setModelSpec(modelSpecBuilder);
//设置入参,访问默认是最新版本，如果需要特定版本可以使用tensorProtoBuilder.setVersionNumber方法
TensorProto.Builder tensorProtoBuilder = TensorProto.newBuilder();
tensorProtoBuilder.setDtype(DataType.DT_FLOAT);
TensorShapeProto.Builder tensorShapeBuilder = TensorShapeProto.newBuilder();
tensorShapeBuilder.addDim(TensorShapeProto.Dim.newBuilder().setSize(1));
#150528 = 224 * 224 * 3
tensorShapeBuilder.addDim(TensorShapeProto.Dim.newBuilder().setSize(150528));
tensorProtoBuilder.setTensorShape(tensorShapeBuilder.build());
tensorProtoBuilder.addAllFloatVal(floatList);
predictRequestBuilder.putInputs("image", tensorProtoBuilder.build());
//访问并获取结果
Predict.PredictResponse predictResponse = stub.predict(predictRequestBuilder.build());
System.out.println("classify is: " + predictResponse.getOutputsOrThrow("classify").getIntVal(0));
System.out.println("prob is: " + predictResponse.getOutputsOrThrow("pro").getFloatVal(0));
System.out.println("cost time: " + (System.currentTimeMillis() - t));

结果打印如下：

classify is: 2
prob is: 1.0
cost time: 6911

shin_chen_名字不要重复

关注

4
点赞
踩
46

收藏

觉得还不错? 一键收藏
32
评论
tensorflow serving 服务部署与访问（Python + Java）

Tensorflow Serving 服务docker部署Tensorflow Serving 模型生成与部署Python grpc 对Tensorflow Serving服务调用Java grpc 对Tensorflow Serving服务调用
复制链接

扫一扫