前 言

　　大家习惯使用TensorFlow进行模型的训练、验证和预测，但模型完善之后的生产上线流程，就变得五花八门了。针对这种情况Google提供了TensorFlow Servering，可以将训练好的模型直接上线并提供服务。在2017年的TensorFlow开发者Summit上便提出了TensorFlow Serving。

　　但那时候客户端和服务端的通信只支持gRPC。在实际的生产环境中比较广泛使用的C/S通信手段是基于RESTfull API的，幸运的是从TF1.8以后，TF Serving也正式支持RESTfull API通信方式了。

　　01、服务框架

　　基于TF Serving的持续集成框架还是挺简明的，基本分三个步骤：

　　模型训练

　　这是大家最熟悉的部分，主要包括数据的收集和清洗、模型的训练、评测和优化；

　　模型上线

　　前一个步骤训练好的模型在TF Server中上线；

　　服务使用

　　客户端通过gRPC和RESTfull API两种方式同TF Servering端进行通信，并获取服务；

　　02、TF Serving工作流程

　　TF Serving的工作流程主要分为以下几个步骤：

　　Source会针对需要进行加载的模型创建一个Loader，Loader中会包含要加载模型的全部信息；

　　Source通知Manager有新的模型需要进行加载；

　　Manager通过版本管理策略（Version Policy）来确定哪些模型需要被下架，哪些模型需要被加载；

　　Manger在确认需要加载的模型符合加载策略，便通知Loader来加载的模型；

　　客户端像服务端请求模型结果时，可以指定模型的版本，也可以使用模型的结果

　　03、简单示例

　　TF Serving客户端和服务端的通信方式有两种（gRPC和RESTfull API）

　　示例（一）：RESTfull API形式

　　1. 准备TF Serving的Docker环境

　　目前TF Serving有Docker、APT（二级制安装）和源码编译三种方式，但考虑实际的生产环境项目部署和简单性，推荐使用Docker方式。

　　docker pull tensorflow/serving

　　2. 下载官方示例代码

　　示例代码中包含已训练好的模型和与服务端进行通信的客户端（RESTfull API形式不需要专门的客户端）

　　mkdir -p /tmp/tfserving

　　cd /tmp/tfserving

　　git clone

　　3. 运行TF Serving

　　这里需要注意的是，较早的docker版本没有“--mount”选项，比如Ubuntu16.04默认安装的docker就没有（我的环境是Ubuntu 18.04）。

　　docker run -p 8501:8501 \

　　 --mount type=bind,\

　　 source=/tmp/tfserving/serving/tensorflow_serving/servables/tensorflow/testdata/saved_model_half_plus_two_cpu,\

　　 target=/models/half_plus_two \

　　 -e MODEL_NAME=half_plus_two -t tensorflow/serving

　　4. 客户端验证

　　curl -d {instances: [1.0, 2.0, 5.0]} \

　　 -X POST

　　5. 返回结果

　　# { predictions: [2.5, 3.0, 4.5] }

　　示例（二）：gRPC形式

　　1. 准备TF Serving的Docker环境

　　目前TF Serving有Docker、APT（二级制安装）和源码编译三种方式，但考虑实际的生产环境项目部署和简单性，推荐使用Docker方式。

　　docker pull tensorflow/serving

　　2. 下载官方示例代码

　　mkdir -p /tmp/tfserving

　　cd /tmp/tfserving

　　git clone

　　3. 模型编译

　　python tensorflow_serving/example/mnist_saved_model.py models/mnist

　　4. 运行TF Serving

　　这里需要注意的是，较早的docker版本没有“--mount”选项，比如Ubuntu16.04默认安装的docker就没有（我的环境是Ubuntu 18.04）。

　　docker run -p 8500:8500 \

　　 --mount type=bind,source=$(pwd)/models/mnist,target=/models/mnist \

　　 -e MODEL_NAME=mnist -t tensorflow/serving

　　5. 客户端验证

　　python tensorflow_serving/example/mnist_client.py --num_tests=1000 --server=127.0.0.1:8500

　　6. 返回结果

　　Inference error rate: 11.13%

　　这里需要注意的是，直接运行mnist_client.py会出现找不到“tensorflow_serving”的问题，需要手动安装，

　　pip install tensorflow-serving-api

　　04、资料参考

　　TF Serving官方文档：<

　　声明：文章收集于网络，如有侵权，请联系小编及时处理，谢谢！

　　欢迎加入本站公开兴趣群

　　商业智能与数据分析群

　　兴趣范围包括各种让数据产生价值的办法，实际应用案例分享与讨论，分析工具，ETL工具，数据仓库，数据挖掘工具，报表系统等全方位知识

　　QQ群：81035754