Экспорт тензорного графа с помощью export_saved_model

Question

Я пытаюсь обучить и развернуть упрощенный Quick, Draw! классификатор из здесь в Google Cloud. Мне удалось обучить модель в GC, теперь я застрял при ее развертывании, точнее, на , создавая обслуживающие функции ввода .

Я следую инструкциям здесь и испытываю затруднения, пытаясь понять, какой тип входного тензора должен быть.

Ошибка:

TypeError: Не удалось преобразовать объект типа в Tensor. Содержание: SparseTensor (indices = Tensor ("ParseExample / ParseExample: 0", shape = (?, 2), dtype = int64), значения = Tensor ("ParseExample / ParseExample: 1", shape = (?,), dtype = float32), dens_shape = Tensor ("ParseExample / ParseExample: 2", shape = (2,), dtype = int64)). Рассмотрим приведение элементов к поддерживаемому типу.

Функция обслуживания:

def serving_input_receiver_fn():
  serialized_tf_example = tf.placeholder(dtype=tf.string, shape=[None], name='input_tensors')
  receiver_tensors = {'infer_inputs': serialized_tf_example}
  features = tf.parse_example(serialized_tf_example, feature_spec)
  return tf.estimator.export.ServingInputReceiver(features, receiver_tensors)

Характеристика характеристики:

feature_spec = {
    "ink": tf.VarLenFeature(dtype=tf.float32),
    "shape": tf.FixedLenFeature([2], dtype=tf.int64)
}

Входной слой:

def _get_input_tensors(features, labels):
  shapes = features["shape"]
  lengths = tf.squeeze(
    tf.slice(shapes, begin=[0, 0], size=[params.batch_size, 1]))
  inks = tf.reshape(features["ink"], [params.batch_size, -1, 3])

  if labels is not None:
    labels = tf.squeeze(labels)
  return inks, lengths, labels

Код модели и данные обучения были взяты здесь .

Answer 1

Попробуйте это:

def serving_input_receiver_fn():
  ink = tf.placeholder(dtype=tf.float32, shape=[None, None, 3], name='ink')
  length = tf.placeholder(dtype=tf.int64, shape=[None, 1])
  features = {"ink": inks, "length": lengths}
  return tf.estimator.export.ServingInputReceiver(features, features)

Пример полезной нагрузки:

{"instances": [{"ink": [[0.1, 1.0, 2.0]], "length":[[1]]}]}

или как входные данные для gcloud predict --json-instances:

{"ink": [[0.1, 1.0, 2.0]], "length":[[1]]}]

Я не сделалсмотреть на реальный код;если чернила, как правило, удерживают много поплавков, вы можете рассмотреть альтернативную систему кодирования.