Я создал демо сервер/клиент для классификации изображений по тензорным потокам, следуя этому руководству https://github.com/tmlabonte/tendies/blob/master/minimum_working_example/tendies-basic-tutorial.ipynb
Клиент
Он принимает изображение в качестве входных данных, конвертирует его в Base64, передает его на сервер, используя JSON
input_image = open(image, "rb").read()
print("Raw bitstring: " + str(input_image[:10]) + " ... " + str(input_image[-10:]))
# Encode image in b64
encoded_input_string = base64.b64encode(input_image)
input_string = encoded_input_string.decode("utf-8")
print("Base64 encoded string: " + input_string[:10] + " ... " + input_string[-10:])
# Wrap bitstring in JSON
instance = [{"images": input_string}]
data = json.dumps({"instances": instance})
print(data[:30] + " ... " + data[-10:])
r = requests.post('http://localhost:9000/v1/models/cnn:predict', data=data)
#json.loads(r.content)
print(r.text)
Сервер
После загрузки модели в формате .h5 сервер должен быть сохранен как SavedModel. изображение должно передаваться с клиента на сервер в виде строки в кодировке Base64.
model=tf.keras.models.load_model('./model.h5')
input_bytes = tf.placeholder(tf.string, shape=[], name="input_bytes")
# input_bytes = tf.reshape(input_bytes, [])
# Transform bitstring to uint8 tensor
input_tensor = tf.image.decode_jpeg(input_bytes, channels=3)
# Convert to float32 tensor
input_tensor = tf.image.convert_image_dtype(input_tensor, dtype=tf.float32)
input_tensor = input_tensor / 127.5 - 1.0
# Ensure tensor has correct shape
input_tensor = tf.reshape(input_tensor, [64, 64, 3])
# CycleGAN inference function accepts a batch of images
# So expand the single tensor into a batch of 1
input_tensor = tf.expand_dims(input_tensor, 0)
# x = model.input
y = model(input_tensor)
затем input_bytes становятся входными данными для predition_signature в SavedModel
tensor_info_x = tf.saved_model.utils.build_tensor_info(input_bytes)
В конце концов, результат сервера:
§ saved_model_cli show --dir ./ --all
signature_def['predict']:
The given SavedModel SignatureDef contains the following input(s):
inputs['images'] tensor_info:
dtype: DT_STRING
shape: ()
name: input_bytes:0
The given SavedModel SignatureDef contains the following output(s):
outputs['scores'] tensor_info:
dtype: DT_FLOAT
shape: (1, 4)
name: sequential_1/dense_2/Softmax:0
Method name is: tensorflow/serving/predict
Отправка изображения
Когда я отправляю изображение base64, я получаю ошибку во время выполнения от сервера о форме ввода, которая кажется не скалярной:
Using TensorFlow backend.
Raw bitstring: b'\xff\xd8\xff\xe0\x00\x10JFIF' ... b'0;s\xcfJ(\xa0h\xff\xd9'
Base64 encoded string: /9j/4AAQSk ... 9KKKBo/9k=
{"instances": [{"images": "/9j ... Bo/9k="}]}
{ "error": "contents must be scalar, got shape [1]\n\t [[{{node DecodeJpeg}} = DecodeJpeg[_output_shapes=[[?,?,3]], acceptable_fraction=1, channels=3, dct_method=\"\", fancy_upscaling=true, ratio=1, try_recover_truncated=false, _device=\"/job:localhost/replica:0/task:0/device:CPU:0\"](_arg_input_bytes_0_0)]]" }
Как вы видите из сервера, input_bytes
является скалярным в виде shape=[]
, я также пытался изменить его с помощью tf.reshape(input_bytes, [])
но ни в коем случае не получал всегда одну и ту же ошибку. Я не нашел никакого решения в Интернете и здесь, в Stackoverflow, об этой ошибке. Подскажите, пожалуйста, как это исправить? Спасибо!
Я решил проблему, и я хотел бы прокомментировать, как вы можете извлечь выгоду из решения!
Когда вы отправляете JSON, как это:
{"instances": [{"images": "/9j ... Bo/9k="}]}
на самом деле вы отправляете массив размера 1, когда вы помещаете [] на случай, если вы хотите отправить 2 изображения, которые вы должны написать так
{"instances": [{"images": "/9j ... Bo/9k="}, {"images": "/9j ... Bo/9k="}]}
здесь размер 2 (форма = [2])
поэтому решение состоит в том, чтобы указать в заполнителе, чтобы он принимал любой тип размера input_bytes = tf.placeholder(tf.string, shape = [None], name = "input_bytes"), а затем, если вы отправляете только 1 изображение, вектор [1] можно преобразовать в скаляр с помощью:
input_scalar = tf.reshape(input_bytes, [])
Также в моем коде была другая ошибка, я не учел, что в тензорном потоке/обслуживании есть функция для декодирования base64, явно указав "b64" в json, так что если вы отправляете
{"instances": [{"images": {"b64": "/9j ... Bo/9k="}}]}
сервер автоматически декодирует ввод base64, и правильный поток битов достигнет tf.image.decode_jpeg