Как сделать, чтобы вложения концентратора тензорного потока работали с использованием обслуживания тензорного потока?

Question

Я пытаюсь использовать модуль встраивания из концентратора тензорного потока в качестве исправного. Я новичок в tenorflow. В настоящее время я использую встраивания Universal Sentence Encoder в качестве поиска для преобразования предложений в вложения, а затем использую эти вложения, чтобы найти сходство с другим предложением.

Мой текущий код для преобразования предложений во вложения:

with tf.Session() as session:
  session.run([tf.global_variables_initializer(), tf.tables_initializer()])
  sen_embeddings = session.run(self.embed(prepared_text))

Prepared_text - это список предложений. Как мне взять эту модель и сделать ее исправной?

Answer 1

Прямо сейчас вам, вероятно, нужно сделать это вручную. Вот мое решение, похожее на предыдущий ответ, но более общее - показать, как использовать любой другой модуль, не угадывая входные параметры, а также расширенное с проверкой и использованием:

import tensorflow as tf
import tensorflow_hub as hub
from tensorflow.saved_model import simple_save

export_dir = "/tmp/tfserving/universal_encoder/00000001"
with tf.Session(graph=tf.Graph()) as sess:
    module = hub.Module("https://tfhub.dev/google/universal-sentence-encoder/2") 
    input_params = module.get_input_info_dict()
    # take a look at what tensor does the model accepts - 'text' is input tensor name

    text_input = tf.placeholder(name='text', dtype=input_params['text'].dtype, 
        shape=input_params['text'].get_shape())
    sess.run([tf.global_variables_initializer(), tf.tables_initializer()])

    embeddings = module(text_input)

    simple_save(sess,
        export_dir,
        inputs={'text': text_input},
        outputs={'embeddings': embeddings},
        legacy_init_op=tf.tables_initializer())

Благодаря module.get_input_info_dict() Вы знаете, какие тензорные имена вам нужно передать модели - вы используете это имя в качестве ключа для inputs={} в simple_save метод.

Помните, что для обслуживания модели необходимо указывать путь к каталогу, заканчивающийся версией, поэтому '00000001' это последний путь, в котором saved_model.pb проживает.

После экспорта вашего модуля самый быстрый способ проверить, правильно ли экспортируется ваша модель для обслуживания, - это использовать сохраненный_модель_cli API:

saved_model_cli run --dir /tmp/tfserving/universal_encoder/00000001 --tag_set serve --signature_def serving_default --input_exprs 'text=["what this is"]'

Для обслуживания модели из докера:

docker pull tensorflow/serving  
docker run -p 8501:8501 -v /tmp/tfserving/universal_encoder:/models/universal_encoder -e MODEL_NAME=universal_encoder -t tensorflow/serving                                                                                           

Answer 2

В настоящее время модули-концентраторы не могут напрямую использоваться Tensorflow Serving. Вам нужно будет загрузить модуль в пустой график и затем экспортировать его, используя SavedModelBuilder, Например:

import tensorflow as tf
import tensorflow_hub as hub

with tf.Graph().as_default():
  module = hub.Module("http://tfhub.dev/google/universal-sentence-encoder/2")
  text = tf.placeholder(tf.string, [None])
  embedding = module(text)

  init_op = tf.group([tf.global_variables_initializer(), tf.tables_initializer()])
  with tf.Session() as session:
    session.run(init_op)
    tf.saved_model.simple_save(
        session,
        "/tmp/serving_saved_model",
        inputs = {"text": text},
        outputs = {"embedding": embedding},
        legacy_init_op = tf.tables_initializer()        
    )

Это будет экспортировать вашу модель (в папку /tmp/serving_saved_model) в желаемом формате для подачи. После этого вы можете следовать инструкциям, приведенным в документации здесь: https://www.tensorflow.org/serving/serving_basic

Answer 3

Обратите внимание, что другие ответы относятся к TensorFlow 1. Большинство моделей TF Hub для TensorFlow 2 уже будут совместимы с TF Serving. Например, чтобы развернуть модель USE-Large:

1. Загрузите модель либо через tensorflow_hubбиблиотека или просто https://tfhub.dev/google/universal-sentence-encoder-large/5
2. Поместите содержимое в папки, представляющие название модели и версию, например models/use-large/5
3. Запустите приложение TF Serving, например, через Docker:

      docker run -t --rm -p 8501:8501 \
   -v "$PATH_TO_YOUR_WORKSPACE/models:/models" \
   -e MODEL_NAME="use-large" \
   tensorflow/serving

Модель будет доступна по адресу localhost:8501/v1/models/use-large:

      curl -d '{"instances": ["Hey!"]}' \
    -X POST http://localhost:8501/v1/models/use-large:predict