https://github.com/sugyan/tensorflow-mnist通过使用Flask并加载预训练模式（还原）显示了一个简单的restAPI示例。
@app.route('/api/mnist', methods=['POST'])
def mnist():
input = ((255 - np.array(request.json, dtype=np.uint8)) / 255.0).reshape(1, 784)
output1 = simple(input)
output2 = convolutional(input)
return jsonify(results=[output1, output2])
另外，请参阅https://tensorflow-mnist.herokuapp.com/上的在线演示。 API似乎足够快。
收藏
谈胤文• 669
评论
笪高达• 674
关于我们
常见问题
内容许可
联系我们
0
是否有用于通过RESTful API部署Tensorflow模型的示例代码？我看到了命令行程序和移动应用程序的示例。是否有一个用于此的框架，或者人们只是加载模型并通过Web框架（例如Flask）公开预测方法以获取输入（例如通过JSON）并返回响应？所谓框架，是指针对大量预测请求进行扩展。当然，由于模型是不可变的，因此我们可以启动我们的预测服务器的多个实例，并将其放在负载均衡器（如HAProxy）后面。我的问题是，人们是为此使用某种框架还是从头开始执行此操作？或者，也许Tensorflow中已经提供了此功能，但我还没有注意到。