keras模型部署 flask & tfserving

keras训练后的模型可以用两种方法实现。

• 利用keras的save方法保存模型成h5格式。利用python web框架加载h5模型并利用api请求对外提供http请求
• 生成pb格式，利用tfserving加载pb模型。提供http请求。

keras模型训练之后保存成h5格式部署。模型是一个文本分类模型

1.模型保存

# tb_callback = TensorBoard(log_dir='./logs', embeddings_freq=1,embeddings_data=x_train)
model = Sequential()
#实现自己的网络层
model.add ....
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['acc'])
print(model.summary())
model.fit(x_train, y_train, validation_split=0.25, epochs=15, batch_size=1024)
model.save_weights('build/mini_test_weights.h5')
model.save('build/mini_test_model.h5')
with open('build/mini_test_model.json', 'w') as outfile:
    outfile.write(model.to_json())

2.flask搭建加载h5模型

from flask