Немного предыстории, чтобы понять мою проблему:
Моя компания использует частный сервер для запуска наших моделей ML в производство с использованием opencpu. Модели ML, сгенерированные с использованием Caret, обычно записываются в R-пакет, который выполняет предварительную обработку данных перед передачей в модель. Пакет R вместе с opencpu и зависимостями пакета R компилируются с использованием Docker в контейнер Docker, который затем развертывается на сервере. Я не понимаю процесс развертывания, но это не моя работа. Моя работа состоит в том, чтобы придумать модели ML, создать пакет R и убедиться, что он работает (в нашей тестовой среде), прежде чем он поступит в производство.
Недавно я разработал модель с использованием Keras / Tensorflow в R и хочу протестировать эту модель в нашей тестовой среде (которая имитирует производственную среду). Это означает, что мне нужно включить модель keras / tenorflow в пакет R, аналогично версии Caret.
Я хочу знать, как я могу это сделать, не устанавливая Keras в качестве зависимости. Единственный смысл использования Keras - это загрузить модель с использованием функции load_model_hdf5 , причем прогноз выполняется базовой функцией R Forect . Лично я считаю излишним устанавливать такой большой пакет (Keras в R также устанавливает среду Tensorflow, conda и python) только для загрузки модели.
Эта страница (https://cran.r-project.org/web/packages/tfdeploy/vignettes/introduction.html) ) описывает методы развертывания моделей Tensorflow в R, но они обсуждают только использование Rstudio connect, CLoudML и TensorFlow Serving (но для этого используется gRP C).