ОК, поэтому я обнаружил проблему, которую я не смог запустить один раз для всех строк (прогнозов), которые я хотел. вероятно, проблема новичка в тензорном потоке, которую я перепутал с матрицей ввода и вывода.
когда инструмент отчета (python) скажет, что у вас есть входной Тензор
с формой (-1,9), которая отображается на java long [] {1,9}, это не означает, что вы не можете передавать ввод как long [] {1000,9} - это означает 1000 строк для прогнозов.
после этого ввода выходной тензор, который определяется как [1,1], может быть [1000,1].
Этот код на самом деле работает намного быстрее, чем Python (1,2 секунды против 7 секунд)
вот код (может, лучше объясню)
public Tensor prepareData(){
Random r = new Random();
float[]inputArr = new float[NUMBER_OF_KEWORDS*NUMBER_OF_FIELDS];
for (int i=0;i<NUMBER_OF_KEWORDS * NUMBER_OF_FIELDS;i++){
inputArr[i] = r.nextFloat();
}
FloatBuffer inputBuff = FloatBuffer.wrap(inputArr, 0, NUMBER_OF_KEWORDS*NUMBER_OF_FIELDS);
return Tensor.create(new long[]{NUMBER_OF_KEWORDS,NUMBER_OF_FIELDS}, inputBuff);
}
public void predict (Tensor inputTensor){
try ( Session s = savedModelBundle.session()) {
Tensor result;
long globalStart = System.nanoTime();
result = s.runner().feed("dense_1_input", inputTensor).fetch("dense_4/BiasAdd").run().get(0);
final long[] rshape = result.shape();
if (result.numDimensions() != 2 || rshape[0] <= NUMBER_OF_KEWORDS) {
throw new RuntimeException(
String.format(
"Expected model to produce a [N,1] shaped tensor where N is the number of labels, instead it produced one with shape %s",
Arrays.toString(rshape)));
}
float[][] resultArray = (float[][]) result.copyTo(new float[NUMBER_OF_KEWORDS][1]);
System.out.println(String.format("Total of %d, took : %.4f ms", NUMBER_OF_KEWORDS, ((double) System.nanoTime() - globalStart) / 1000000));
for (int i=0;i<10;i++){
System.out.println(resultArray[i][0]);
}
}
}