python模型部署到服务器_教程帖：使用TensorFlow服务和Flask部署Keras模型！

部署Keras模型通常需要抽象出你的机器学习模型，并将其与易于使用的API端点一起部署或集成。例如，我们可以提供一个URL端点，任何人都可以使用它来发出POST请求，他们会得到模型推断的JSON响应，而不必担心其技术性细节。

在本教程中，我们将创建一个TensorFlow服务器来部署我们在Keras内置的InceptionV3图像分类卷积神经网络(CNN)。 然后，我们将创建一个简单的Flask服务器，该服务器将接受POST请求并执行Tensorflow服务器所需的一些图像预处理，并返回JSON响应。

什么是TensorFlow服务？

TensorFlow服务是你训练应用机器学习模型的方式。

了解TensorFlow服务(https://www.youtube.com/watch?v=q_IkJcPyNl0)

TensorFlow服务使得投入生产的过程模型更容易、更快速。它允许你安全地部署新模型并运行实验，同时保持相同的服务器体系结构和API。开箱即用，它提供了与TensorFlow的集成，而且它可以扩展为其他类型的模型。

安装TensorFlow服务

先决条件：请创建一个python虚拟环境，并在其中安装带有TensorFlow后端的Keras。在这里阅读更多(https://keras.io/#installation)

注意：所有命令都在Ubuntu 18.04.1 LTS的python虚拟环境中执行。

现在，在同一虚拟环境中运行以下命令(使用sudo获取root权限)：

你可以使用以下命令升级到tensorflow-model-server的较新版本：

我们将要构建的目录概述

在开始之前了解目录结构将有助于我们清楚地了解每个步骤的位置。

你可以从我的GitHub存储库中获取所有这些文件：https://github.com/himanshurawlani/keras-and-tensorflow-serving

导出用于Tensorflow服务