本篇文章轉載自博客園，作者: 劉建平Pinard

在用PMML實現機器學習模型的跨平臺上線中，我們討論了使用PMML文件來實現跨平臺模型上線的方法，這個方法當然也適用于tensorflow生成的模型，但是由于tensorflow模型往往較大，使用無法優化的PMML文件大多數時候很笨拙，因此本文我們專門討論下tensorflow機器學習模型的跨平臺上線的方法。

一、tensorflow模型的跨平臺上線的備選方案

tensorflow模型的跨平臺上線的備選方案一般有三種：即PMML方式，tensorflow serving方式，以及跨語言API方式。PMML方式的主要思路在上一篇以及講過。這里唯一的區別是轉化生成PMML文件需要用一個Java庫jpmml-tensorflow來完成，生成PMML文件后，跨語言加載模型和其他PMML模型文件基本類似。

tensorflow serving是tensorflow 官方推薦的模型上線預測方式，它需要一個專門的tensorflow服務器，用來提供預測的API服務。如果你的模型和對應的應用是比較大規模的，那么使用tensorflow serving是比較好的使用方式。但是它也有一個缺點，就是比較笨重，如果你要使用tensorflow serving，那么需要自己搭建serving集群并維護這個集群。所以為了一個小的應用去做這個工作，有時候會覺得麻煩。

跨語言API方式是本文要討論的方式，它會用tensorflow自己的Python API生成模型文件，然后用tensorflow的客戶端庫比如Java或C++庫來做模型的在線預測。下面我們會給一個生成生成模型文件并用tensorflow Java API來做在線預測的例子。

二、訓練模型并生成模型文件

我們這里給一個簡單的邏輯回歸并生成邏輯回歸tensorflow模型文件的例子。完整代碼參見我的github:https://github.com/ljpzzz/machinelearning/blob/master/model-in-product/tensorflow-java

首先，我們生成了一個6特征，3分類輸出的4000個樣本數據。

import numpy as npimport matplotlib.pyplot as plt%matplotlib inlinefrom sklearn.datasets.samples_generator import make_classificationimport tensorflow as tfX1, y1 = make_classification(n_samples=4000, n_features=6, n_redundant=0, n_clusters_per_class=1, n_classes=3)

接著我們構建tensorflow的數據流圖，這里要注意里面的兩個名字，第一個是輸入x的名字input,第二個是輸出prediction_labels的名字output，這里的這兩個名字可以自己取，但是后面會用到，所以要保持一致。

learning_rate = 0.01training_epochs = 600batch_size = 100x = tf.placeholder(tf.float32, [None, 6],name='input') # 6 featuresy = tf.placeholder(tf.float32, [None, 3]) # 3 classesW = tf.Variable(tf.zeros([6, 3]))b = tf.Variable(tf.zeros([3]))# softmax回歸pred = tf.nn.softmax(tf.matmul(x, W) + b, name="softmax") cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred), reduction_indices=1))optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)prediction_labels = tf.argmax(pred, axis=1, name="output")init = tf.global_variables_initializer()

接著就是訓練模型了，代碼比較簡單，畢竟只是一個演示：

sess = tf.Session()sess.run(init)y2 = tf.one_hot(y1, 3)y2 = sess.run(y2)for epoch in range(training_epochs): _, c = sess.run([optimizer, cost], feed_dict={x: X1, y: y2}) if (epoch+1) % 10 == 0: print ("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c)) print ("優化完畢!")correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y2, 1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))acc = sess.run(accuracy, feed_dict={x: X1, y: y2})print (acc)

打印輸出我這里就不寫了，大家可以自己去試一試。接著就是關鍵的一步，存模型文件了，注意要用convert_variables_to_constants這個API來保存模型，否則模型參數不會隨著模型圖一起存下來。

graph = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, ["output"])tf.train.write_graph(graph, '.', 'rf.pb', as_text=False)

至此，我們的模型文件rf.pb已經被保存下來了，下面就是要跨平臺上線了。　

三、模型文件在Java平臺上線

這里我們以Java平臺的模型上線為例，C++的API上線我沒有用過，這里就不寫了。我們需要引入tensorflow的java庫到我們工程的maven或者gradle文件。這里給出maven的依賴如下，版本可以根據實際情況選擇一個較新的版本。

<dependency> <groupId>org.tensorflowgroupId>????<artifactId>tensorflowartifactId> <version>1.7.0version>dependency>

接著就是代碼了，這個代碼會比JPMML的要簡單，我給出了4個測試樣本的預測例子如下，一定要注意的是里面的input和output要和訓練模型的時候對應的節點名字一致。

import org.tensorflow.*;import org.tensorflow.Graph;import java.io.IOException;import java.nio.file.Files;import java.nio.file.Paths;/** * Created by 劉建平pinard on 2018/7/1. */public class TFjavaDemo { public static void main(String args[]){ byte[] graphDef = loadTensorflowModel("D:/rf.pb"); float inputs[][] = new float[4][6]; for(int i = 0; i< 4; i++){ for(int j =0; j< 6;j++){ if(i<2) { inputs[i][j] = 2 * i - 5 * j - 6; } else{ inputs[i][j] = 2 * i + 5 * j - 6; } } } Tensor input = covertArrayToTensor(inputs); Graph g = new Graph(); g.importGraphDef(graphDef); Session s = new Session(g); Tensor result = s.runner().feed("input", input).fetch("output").run().get(0); long[] rshape = result.shape(); int rs = (int) rshape[0]; long realResult[] = new long[rs]; result.copyTo(realResult); for(long a: realResult ) { System.out.println(a); } } static private byte[] loadTensorflowModel(String path){ try { return Files.readAllBytes(Paths.get(path)); } catch (IOException e) { e.printStackTrace(); } return null; } static private TensorcovertArrayToTensor(float inputs[][]){ return Tensors.create(inputs); }}

我的預測輸出是1,1,0,0，供大家參考。

四、一點小結

對于tensorflow來說，模型上線一般選擇tensorflow serving或者client API庫來上線，前者適合于較大的模型和應用場景，后者則適合中小型的模型和應用場景。因此算法工程師使用在產品之前需要做好選擇和評估。

往期精彩：

深度學習多種模型評估指標介紹 - 附sklearn實現

干貨 | Attention注意力機制超全綜述

Tensorflow常用函數使用說明及實例簡記

機器學習中優化相關理論知識簡述

自己動手實現一個神經網絡多分類器

Transformer 模型的 PyTorch 實現

干貨 | NLP中的十個預訓練模型

干貨|一文弄懂機器學習中偏差和方差

FastText原理和文本分類實戰，看這一篇就夠了

Transformer模型細節理解及Tensorflow實現

GPT,GPT2,Bert,Transformer-XL,XLNet論文閱讀速遞

機器學習算法篇：最大似然估計證明最小二乘法合理性

Word2vec, Fasttext, Glove, Elmo, Bert, Flair訓練詞向量教程+數據+源碼

別偷偷摸摸的在看，有用就點個好看呀?

總結

以上是生活随笔為你收集整理的机器学习基于skcilearn tensorflow电子书_Tensorflow机器学习模型的跨平台上线的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。