Первый шаг - убедиться, что на экспортируемом графике есть местозаполнитель и операторы, которые могут принимать данные JPEG. Обратите внимание, что CloudML предполагает, что вы отправляете пакет изображений. Мы должны использовать tf.map_fn для декодирования и изменения размера партии изображений. В зависимости от модели, дополнительная предварительная обработка данных может потребоваться для нормализации данных и т.д. Это показано ниже:
# Number of channels in the input image
CHANNELS = 3
# Dimensions of resized images (input to the neural net)
HEIGHT = 200
WIDTH = 200
# A placeholder for a batch of images
images_placeholder = tf.placeholder(dtype=tf.string, shape=(None,))
# The CloudML Prediction API always "feeds" the Tensorflow graph with
# dynamic batch sizes e.g. (?,). decode_jpeg only processes scalar
# strings because it cannot guarantee a batch of images would have
# the same output size. We use tf.map_fn to give decode_jpeg a scalar
# string from dynamic batches.
def decode_and_resize(image_str_tensor):
"""Decodes jpeg string, resizes it and returns a uint8 tensor."""
image = tf.image.decode_jpeg(image_str_tensor, channels=CHANNELS)
# Note resize expects a batch_size, but tf_map supresses that index,
# thus we have to expand then squeeze. Resize returns float32 in the
# range [0, uint8_max]
image = tf.expand_dims(image, 0)
image = tf.image.resize_bilinear(
image, [HEIGHT, WIDTH], align_corners=False)
image = tf.squeeze(image, squeeze_dims=[0])
image = tf.cast(image, dtype=tf.uint8)
return image
decoded_images = tf.map_fn(
decode_and_resize, images_placeholder, back_prop=False, dtype=tf.uint8)
# convert_image_dtype, also scales [0, uint8_max] -> [0, 1).
images = tf.image.convert_image_dtype(decoded_images, dtype=tf.float32)
# Then shift images to [-1, 1) (useful for some models such as Inception)
images = tf.sub(images, 0.5)
images = tf.mul(images, 2.0)
# ...
Кроме того, мы должны быть уверены, чтобы правильно обозначить входы, в данном случае, это важно, чтобы имя ввода (ключ на карте) заканчивалось на _bytes. При отправке base64 кодированные данные, это позволит сервис прогнозирования CloudML знаю, что нужно декодировать данные:
inputs = {"image_bytes": images_placeholder.name}
tf.add_to_collection("inputs", json.dumps(inputs))
Формат данных, что команда gcloud ожидает будет иметь вид:
{"image_bytes": {"b64": "dGVzdAo="}}
(Обратите внимание, если image_bytes - единственный вход для вашей модели, вы можете упростить только {"b64": "dGVzdAo="}).
Например, чтобы создать это из файла на диске, вы можете попробовать что-то вроде:
echo "{\"image_bytes\": {\"b64\": \"`base64 image.jpg`\"}}" > instances
А затем отправить его на службу, как так:
gcloud beta ml predict --instances=instances --model=my_model
Пожалуйста, обратите внимание, что при отправляя данные непосредственно в службу, тело отправленного вами запроса должно быть завернуто в список «экземпляры». Таким образом, команда gcloud выше фактически посылает следующую к службе в теле запроса HTTP:
{"instances" : [{"image_bytes": {"b64": "dGVzdAo="}}]}
Спасибо за ваш ответ! Может быть, я не понимаю, что мне нужно делать именно так. Фактически, когда я отправляю запрос, он возвращает: error: «Prediction failed:». Я написал свою проблему [здесь] (http://stackoverflow.com/questions/41261701/how-make-correct-predictions-of-jpeg-image-in-cloud-ml) –