Я выполнил шаг в одном из учебников для начинающих TF , чтобы создать простую классификационную модель.Они следующие:
from __future__ import absolute_import, division, print_function, unicode_literals
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
URL = 'https://storage.googleapis.com/applied-dl/heart.csv'
dataframe = pd.read_csv(URL)
dataframe.head()
train, test = train_test_split(dataframe, test_size=0.2)
train, val = train_test_split(train, test_size=0.2)
def df_to_dataset(dataframe, shuffle=True, batch_size=32):
dataframe = dataframe.copy()
labels = dataframe.pop('target')
ds = tf.data.Dataset.from_tensor_slices((dict(dataframe), labels))
if shuffle:
ds = ds.shuffle(buffer_size=len(dataframe))
ds = ds.batch(batch_size)
return ds
batch_size = 5 # A small batch sized is used for demonstration purposes
train_ds = df_to_dataset(train, batch_size=batch_size)
val_ds = df_to_dataset(val, shuffle=False, batch_size=batch_size)
test_ds = df_to_dataset(test, shuffle=False, batch_size=batch_size)
feature_columns = []
for header in ['age', 'trestbps', 'chol', 'thalach', 'oldpeak', 'slope', 'ca']:
feature_columns.append(feature_column.numeric_column(header))
thal_embedding = feature_column.embedding_column(thal, dimension=8)
feature_columns.append(thal_embedding)
feature_layer = tf.keras.layers.DenseFeatures(feature_columns)
batch_size = 32
train_ds = df_to_dataset(train, batch_size=batch_size)
val_ds = df_to_dataset(val, shuffle=False, batch_size=batch_size)
test_ds = df_to_dataset(test, shuffle=False, batch_size=batch_size)
model = tf.keras.Sequential([
feature_layer,
layers.Dense(128, activation='relu'),
layers.Dense(128, activation='relu'),
layers.Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'],
run_eagerly=True)
model.fit(train_ds,
validation_data=val_ds,
epochs=5)
И я сохранил модель с помощью:
model.save("model/", save_format='tf')
Затем я пытаюсь обслуживать эту модель, используя это TF учебник .Я делаю следующее:
docker pull tensorflow/serving
docker run -p 8501:8501 --mount type=bind,source=/path/to/model/,target=/models/model -e MODEL_NAME=mo
И пытаюсь назвать модель следующим образом:
curl -d '{"inputs": {"age": [0], "trestbps": [0], "chol": [0], "thalach": [0], "oldpeak": [0], "slope": [1], "ca": [0], "exang": [0], "restecg": [0], "fbs": [0], "cp": [0], "sex": [0], "thal": ["normal"], "target": [0] }}' -X POST http://localhost:8501/v1/models/model:predict
Я получаю следующую ошибку:
{"ошибка ":" indices = 1 отсутствует в [0, 1) \ n \ t [[{{узел StatefulPartitionedCall_51 / StatefulPartitionedCall / sequential / dens_features / thal_embedding / thal_embedding_weights / GatherV2}}]] "}
Похоже, это связано со слоем внедрения для функции "thal".Но я понятия не имею, что означает «indexes = 1 is not in [0, 1)» и почему это происходит.
Когда происходит ошибка, вот что регистрирует сервер док-станции TF:
2019-09-23 12: 50: 43.921721: W external / org_tensorflow / tenorflow / core / framework / op_kernel.cc: 1502] Сбой OP_REQUIRES в lookup_table_op.cc:952: Не выполнено предварительное условие: Таблица уже инициализирована.
Есть идеи, откуда возникла ошибка и как ее можно исправить?
Версия Python: 3.6
Версия tenenflow: 2.0.0-rc0
последний TensorFlow / обслуживание (по состоянию на 20/09/2019)