Tensorflow Serving从输入函数转换数据

Question

目前我正在研究张量流模型。此模型基于2个字符串和数字对情境进行分类。所以我的占位符如下所示：

Input1 = tf.placeholder("string", shape=None, name="string1")
Input2 = tf.placeholder("string", shape=None, name="string2")
Input3 = tf.placeholder("float", shape=None, name="distance")
label = tf.placeholder("int64", shape=None, name="output")

我想通过以下代码使用Tensorflow服务来提供此模型：

    signature_definition = tf.saved_model.signature_def_utils.build_signature_def(
        inputs={'input1': model_input1, 'input2': model_input2, 'input3': model_input3},
        outputs={'outputs': model_output},
        method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME)

    builder = tf.saved_model.builder.SavedModelBuilder(SERVE_PATH)

    builder.add_meta_graph_and_variables(
        sess, [tf.saved_model.tag_constants.SERVING],
        signature_def_map={
            tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY:
                signature_definition
        }) 

但我写的模型希望字符串作为one_hot编码输入。有人知道如何将输入张量转换为one_hot编码的张量，并将它们提供给我的模型吗？在训练我的模型时，我只是在喂它们之前用功能对它们进行了改造。这在服务时似乎是不可能的，因为我只能定义输入函数，而不是输入数据的流。

Answer 1

tf.one_hot提供了一个热门编码。

但是，更广泛地说，您需要协调培训和服务以使用相同的索引。 Tensorflow Transform提供了在训练数据处理阶段进行多次转换（单热，缩放，bucketize）的方法，包括单热编码，并将转换保存为模型图的一部分，因此自动重新应用相同的转换在服务时间，为您节省手工工作。通过以下链接查看他们的示例：

示例：https://www.tensorflow.org/tfx/transform/tutorials/TFT_simple_example

例2：https://github.com/tensorflow/transform/blob/master/examples/sentiment_example.py

完整的Python API：https://www.tensorflow.org/tfx/transform/api_docs/python/tft

你在那里寻找的功能是tft.compute_and_apply_vocabulary。