tensorflow2.0部署tensorflow serving 多模型多版本全过程（官网杂乱不清）

这里必须吐槽一下官网的教程示例，重复啰嗦就算了，还杂乱无章。个人整理建议流程。
走到这一步流程的同学，我相信，怎么样去训练模型和保存模型肯定已经不是什么问题了。
关于模型保存：
平时训练用于保存模型 ，顾虑占用空间方面，都会选择 只保存 参数的方式。但是想要部署tensorflow-serving，让serving加载模型，则必须保存模型的所有数据，因此采用另外一种模型保存方式：tf.saved_model.save( model ,’ 模型保存路径不需要写模型名’) ，相对应的加载模型函数为：tf.saved_model.load( ‘ 文件夹路径’) 保存模型 生成如下文件夹：

文件夹说明：文件夹1 为后面模型的版本号，可以自定义，并不是url中的的v1，默认情况下，会加载最高版本的模型。variables为所有参数的序列化数据，saved_model.pb 为网络模型结构

到此为止，模型的保存已经完毕！！！

下一步，安装docker，这里不再赘述。要使用tensorflow serving 最简单的方式肯定是使用docker部署serving。

docker pull tensorflow/serving 拉取serving镜像

启用服务：

docker run  -p 8555:8501  --name dog_cat -v /home/duanjinfu/PycharmProjects/DL_AND_ML/tf20/model/:/models/dogcat -e MODEL_NAME=dogcat tensorflow/serving 

参数说明：
-p 端口映射，8501为镜像内部定义的向外部暴露的用于调用rest api的端口 将docker容器中的8501端口映射到本地8555端口。
–name 指定当前容器的name值
-v 文件夹映射，将本地的/home/duanjinfu/PycharmProjects/DL_AND_ML/tf20/model/ 映射到 容器中的/models/dogcat