构建Tensorflow开发的模型

构建: 可将您已打包的模型进行容器化处理，方便您的模型资产迁移和部署。

根据您使用的框架，AILines将针对不同的框架进行构建。
以 Tensorflow 框架为例，我们首先通过 Notebook 创建一个模型

提示

关于如何启动Notebook，请参看：创建Notebook

定义模型网络，如下图：

模型评估后使用 Tensorflow 原生 save 方式进行打包：

FilePath = './saved_model/tf_model'
tf.saved_model.save(model, f'{FilePath}')

提示

如果您使用的是 自定义模型网络，请将网络定义文件也一并保存在 FilePath 的 同级目录 中

创建构建

其中：

• 工作空间: 模型所在的工作空间。
• Framework: 模型所使用的框架。
• 模型存储路径: 模型打包文件存储路径, 上例模型存储路径为 saved_model/tf_mnist/。
• 服务名和版本: 将模型打包为服务，该模型的服务名称与版本号，服务名及版本号在租户内唯一。
• 输入和输出: 模型数输入和输出名称和类型，目前， 输入参数可选择 Base64Image 和 NumpyNdarray 两种类型，输出结果类型仅可以为NumpyNdarray。
• 输入前置处理函数: 如果模型的输入需要根据自身业务进行一定的处理，则请将处理内容加入到函数中。如果您不提供相应的处理，系统将提供默认行为。

提示

请注意：由于 Tensorflow 模型输出可能是一系列文件，所以对于 模型存储路径 请一定输入模型目录的完整路径并且以'/'为结尾，并保证该路径下没有其他干扰文件

提示

请注意：由于当前mnist手写体识别例子中模型使用图片作为输入，构建中请选择输入类型为 Base64Image
当输入类型为 Base64Image 时，输入前置处理函数 内容将自动加入处理代码。

构建提交

确认提交构建后, 将跳转到构建列表页

提交构建后，AILines将在后台将模型打包成服务, 一般需要等待5～10分钟，如果模型的复杂度高并且 Python 依赖多则等待时间会有所延长。

提示

关于如何部署，请参看：模型部署

查看日志

Tensorflow参考代码

网络定义

import tensorflow as tf
from tensorflow.keras.layers import Dense, Flatten, Conv2D
from tensorflow.keras import Model

class LeNetModel(Model):
    def __init__(self):
        super(LeNetModel, self).__init__()
        self.conv1 = Conv2D(32, 3, activation="relu")
        self.flatten = Flatten()
        self.d1 = Dense(128, activation="relu")
        self.d2 = Dense(10)

    @tf.function(input_signature=[tf.TensorSpec([None, 28, 28, 1], tf.float32)])
    def call(self, x):
        x = self.conv1(x)
        x = self.flatten(x)
        x = self.d1(x)
        return self.d2(x)

拆分数据集

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data(path="/datasets/mnistpnz/mnist.npz")

x_train = x_train.reshape(60000, 28, 28, 1).astype("float32") / 255
x_test = x_test.reshape(10000, 28, 28, 1).astype("float32") / 255

# Reserve 10,000 samples for validation
x_val = x_train[-10000:]
y_val = y_train[-10000:]
x_train = x_train[:-10000]
y_train = y_train[:-10000]

训练并验证

model = LeNetModel()
model(x_test[0:1])
model.compile(
    optimizer=tf.keras.optimizers.Adam(),  # Optimizer
    # Loss function to minimize
    loss=tf.keras.losses.SparseCategoricalCrossentropy(),
    # List of metrics to monitor
    metrics=[tf.keras.metrics.SparseCategoricalAccuracy()],
)

history = model.fit(
    x_train,
    y_train,
    batch_size=64,
    epochs=1,
    # We pass some validation for
    # monitoring validation loss and metrics
    # at the end of each epoch
    validation_data=(x_val, y_val),
)

保存模型

tf.saved_model.save(model, './saved_model/tf_model')