Inception v3 采用 base64 图像在 google ml 引擎上进行预测答案

【问题标题】：Inception v3 to take base64 images for predictions on google ml engineInception v3 采用 base64 图像在 google ml 引擎上进行预测
【发布时间】：2018-09-26 01:09:48
【问题描述】：

我正在尝试更改我的初始网络（用 keras 编码）以将 base64 图像字符串作为预测的输入。之后，我想将其保存为 tensorflow（.pb - 文件）网络，因为这是 Google ml 引擎所需要的。

正常的预测方式是这样的：

img = "image.jpg"
image = image.load_img(img)


x = image.img_to_array(image)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
score = model.predict(x)

所以我正在尝试实现它，然后像这样保存它：

input_images = tf.placeholder(dtype=tf.string, shape=[])
decoded = tf.image.decode_image(input_images, channels=3)
image = tf.cast(decoded, dtype=tf.uint8)
afbeelding = Image.open(io.BytesIO(image))

x = image.img_to_array(afbeelding)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
scores = model.predict(decoded)


signature = predict_signature_def(inputs={'image_bytes': input_images},
                              outputs={'predictions': scores})

with K.get_session() as sess:
    builder.add_meta_graph_and_variables(sess=sess,
                                     tags=[tag_constants.SERVING],
                                     signature_def_map={
                                     signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY: signature})
builder.save()

但图像是张量，而不是实际图像。老实说，我不知道如何完全实现它。没有办法获得张量的实际值，对吗？真的希望有人可以帮助我。

【问题讨论】：

标签： python tensorflow keras

【解决方案1】：

您应该能够使用 tensorflow.keras.estimator.model_to_estimator() 函数将您的 Keras 模型转换为 TensorFlow 估计器。然后，您可以构建和导出图表以生成预测。代码应如下所示：

from tensorflow import keras
h5_model_path = os.path.join('path_to_model.h5')
estimator = keras.estimator.model_to_estimator(keras_model_path=h5_model_path)

我只使用 tf.keras 构建的模型对此进行了测试，但它应该使用原生 Keras 模型。

然后，要使用组件构建图形以处理 base64 输入，您可以执行以下操作：

import tensorflow as tf
HEIGHT = 128
WIDTH = 128
CHANNELS = 3
def serving_input_receiver_fn():
    def prepare_image(image_str_tensor):
        image = tf.image.decode_jpeg(image_str_tensor, channels=CHANNELS)
        image = tf.expand_dims(image, 0)
        image = tf.image.resize_bilinear(image, [HEIGHT, WIDTH], align_corners=False)
        image = tf.squeeze(image, axis=[0])
        image = tf.cast(image, dtype=tf.uint8)
        return image

    input_ph = tf.placeholder(tf.string, shape=[None])
    images_tensor = tf.map_fn(
        prepare_image, input_ph, back_prop=False, dtype=tf.uint8)
    images_tensor = tf.image.convert_image_dtype(images_tensor, dtype=tf.float32)

    return tf.estimator.export.ServingInputReceiver(
        {'input': images_tensor},
        {'image_bytes': input_ph})

export_path = 'exported_model_directory'
estimator.export_savedmodel(
    export_path,
    serving_input_receiver_fn=serving_input_receiver_fn)

然后可以将导出的模型上传到 Google Cloud ML 并用于提供预测。我花了一段时间努力让所有这些东西正常工作，并整理了一个功能齐全的代码示例，可能会有额外的用途。在这里：https://github.com/mhwilder/tf-keras-gcloud-deployment。

【讨论】：