动手实践：使用 TF Serving 部署模型

机器学习模型训练完成后，将其部署以提供预测服务是首要要求。TensorFlow Serving 是一个专为此目的设计的高性能系统。本次实践将逐步演示如何保存训练好的 TensorFlow 模型，并使用在 Docker 容器内运行的 TensorFlow Serving 在本地对其进行部署。随后，我们将使用其 REST API 与已部署模型进行交互。

本实践假设您的系统上已安装并运行 Docker，并且拥有一个已安装 TensorFlow 的可用 Python 环境。

1. 准备并保存模型

首先，我们创建一个非常简单的 Keras 模型。对于本例，我们不需要复杂的架构；主要看部署操作。

import tensorflow as tf
import numpy as np
import os
import shutil # 用于目录清理

# 定义一个简单模型
def create_simple_model():
    model = tf.keras.Sequential([
      tf.keras.layers.Dense(10, activation='relu', input_shape=(4,)),
      tf.keras.layers.Dense(10, activation='relu'),
      tf.keras.layers.Dense(3, activation='softmax') # 示例输出形状
    ])
    # 编译是为了保存签名，但我们此处不进行训练
    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
    return model

model = create_simple_model()

# 生成一些模拟数据，仅用于展示输入/输出形状
print("模型概览：")
model.summary()
dummy_input = np.random.rand(1, 4)
print(f"\n模拟输入形状：{dummy_input.shape}")
dummy_output = model.predict(dummy_input)
print(f"模拟输出形状：{dummy_output.shape}")
print(f"模拟输出：{dummy_output}")

# --- 保存模型 ---
# 定义模型保存路径。
# TF Serving 要求模型位于带版本号的目录中。
model_dir = 'simple_model'
version = 1
export_path = os.path.join(model_dir, str(version))

# 如果目录已存在则进行清理
if os.path.isdir(export_path):
    print(f"删除现有目录：{export_path}")
    shutil.rmtree(model_dir)

print(f"\n保存模型到：{export_path}")

# 以 TensorFlow 的 SavedModel 格式保存模型
# 此格式包含模型架构、权重和服务签名。
tf.keras.models.save_model(
    model,
    export_path,
    overwrite=True,
    include_optimizer=True, # 可选，但推荐
    signatures=None, # Keras 会自动生成一个默认的“serving_default”签名
    options=None
)

print(f"\n模型保存成功！")
print(f"目录结构在 {model_dir} 下：")
for root, dirs, files in os.walk(model_dir):
    indent = ' ' * 4 * (root.count(os.sep) - model_dir.count(os.sep))
    print(f"{indent}{os.path.basename(root)}/")
    file_indent = ' ' * 4 * (root.count(os.sep) - model_dir.count(os.sep) + 1)
    for f in files:
        print(f"{file_indent}{f}")

执行此代码会创建一个名为 simple_model 的目录，其中包含一个子目录 1（即版本号）。在 1 中，您会找到定义计算图的 saved_model.pb 文件，以及诸如 variables（包含模型权重）和可能的 assets 等子目录。这种 SavedModel 格式正是 TensorFlow Serving 所需的。

2. 通过 Docker 启动 TensorFlow Serving

接下来，我们将使用 Docker 运行官方 TensorFlow Serving 镜像，并将其指向我们已保存的模型。请打开您的终端或命令提示符。

首先，请确保您拥有最新的服务镜像：

docker pull tensorflow/serving

接下来，运行容器。您需要将 /path/to/your/simple_model 替换为您刚刚在主机上创建的 simple_model 目录的绝对路径。

# 请确保您位于包含 'simple_model' 文件夹的目录中
# 或者提供 'simple_model' 的完整绝对路径

# 使用绝对路径的示例（请替换为您的实际路径）：
# 在 Linux/macOS 上：
# docker run -p 8501:8501 --mount type=bind,source=/home/user/my_projects/advanced_tf/simple_model,target=/models/my_simple_classifier -e MODEL_NAME=my_simple_classifier -t tensorflow/serving

# 在 Windows（使用 PowerShell）上：
# docker run -p 8501:8501 --mount type=bind,source=C:\Users\YourUser\MyProjects\advanced_tf\simple_model,target=/models/my_simple_classifier -e MODEL_NAME=my_simple_classifier -t tensorflow/serving

# 使用当前目录的示例（从 'simple_model' 的父目录运行）：
# 在 Linux/macOS 上：
docker run -p 8501:8501 --mount type=bind,source=$(pwd)/simple_model,target=/models/my_simple_classifier -e MODEL_NAME=my_simple_classifier -t tensorflow/serving &

# 在 Windows（使用 PowerShell）上：
# docker run -p 8501:8501 --mount type=bind,source=${PWD}/simple_model,target=/models/my_simple_classifier -e MODEL_NAME=my_simple_classifier -t tensorflow/serving

让我们解释一下此命令：

• docker run：启动一个新容器。
• -p 8501:8501：将您主机上的 8501 端口映射到容器内的 8501 端口。这是 TF Serving REST API 的默认端口。
• --mount type=bind,source=<host_path>,target=/models/my_simple_classifier：这是重要部分。它使得您主机上的 simple_model 目录（source）在容器内的路径 /models/my_simple_classifier（target）下可用。TensorFlow Serving 默认配置为在容器内的 /models 目录中查找模型。我们在服务环境中将模型命名为 my_simple_classifier。
• -e MODEL_NAME=my_simple_classifier：此环境变量明确告知 TensorFlow Serving 从 /models 目录加载哪个模型。该名称必须与 --mount 选项中 target 部分使用的子目录名称匹配。
• -t tensorflow/serving：指定要使用的 Docker 镜像。
• & (Linux/macOS)：在后台运行容器（可选）。

运行此命令后，Docker 将拉取镜像（如果您本地没有）并启动容器。您应该会看到 TensorFlow Serving 的日志输出，表明它正在查找模型，并希望成功加载 my_simple_classifier。请查找类似以下内容的行：

... Successfully loaded servable version {name: my_simple_classifier version: 1} ...
... Running gRPC ModelServer at 0.0.0.0:8500 ...
... Exporting HTTP/REST API at 0.0.0.0:8501 ...

如果您看到错误，请仔细检查 --mount 命令中的 source 路径；它必须是包含版本子目录（1）的正确绝对路径。

3. 通过 REST API 发送推理请求

TF Serving 运行且模型加载后，我们现在可以发送预测请求了。我们将使用 Python 的 requests 库与 REST 端点进行交互。

创建一个新 Python 脚本或使用 Jupyter notebook：

import requests
import json
import numpy as np

# 准备与模型输入形状 (1, 4) 兼容的示例输入数据
# 注意：JSON 序列化需要是列表的列表形式
input_data = np.random.rand(2, 4).tolist() # 创建 2 个样本

# REST API 端点格式为：
# http://<host>:<port>/v1/models/<model_name>[:predict]
# 或 http://<host>:<port>/v1/models/<model_name>/versions/<version>[:predict]
url = 'http://localhost:8501/v1/models/my_simple_classifier:predict'
# url = 'http://localhost:8501/v1/models/my_simple_classifier/versions/1:predict' # 同样适用

# 请求载荷必须是 JSON 对象。
# 对于默认的“serving_default”签名（以及许多常见情况），
# 键是“instances”，值是输入示例的列表。
data = json.dumps({"instances": input_data})

# 设置内容类型头
headers = {"content-type": "application/json"}

# 发送 POST 请求
try:
    response = requests.post(url, data=data, headers=headers)
    response.raise_for_status() # 对不良状态码（4xx 或 5xx）抛出异常

    # 解析 JSON 响应
    predictions = response.json()['predictions']

    print("请求 URL：", url)
    print("发送的输入数据（第一个样本）：", input_data[0])
    print("\n响应状态码：", response.status_code)
    print("收到的预测（第一个样本）：", predictions[0])
    print(f"\n收到 {len(predictions)} 个预测。")

except requests.exceptions.RequestException as e:
    print(f"请求出错：{e}")
    # 如果在 Docker 中运行，请检查容器日志：docker logs <container_id>
except KeyError:
    print("错误：响应中未找到 'predictions'。")
    print("响应内容：", response.text) # 打印原始响应以便调试

当您运行此脚本时，它会构建一个 JSON 载荷，将您的输入数据放在 "instances" 下。它通过 HTTP POST 请求将此载荷发送到 TensorFlow Serving 端点。如果成功，TF Serving 会使用加载的模型处理输入并返回预测结果，然后将其打印出来。

输出应类似于以下内容（具体的预测值会有所不同）：

请求 URL： http://localhost:8501/v1/models/my_simple_classifier:predict
发送的输入数据（第一个样本）： [0.123, 0.456, 0.789, 0.987]

响应状态码： 200
收到的预测（第一个样本）： [0.25, 0.45, 0.3] # softmax 的示例概率

收到 2 个预测。

4. 清理

完成实验后，您可以停止 TensorFlow Serving 容器。使用 docker ps 查找其 ID，然后停止它：

# 查找容器 ID
docker ps

# 停止容器（将 <container_id> 替换为实际 ID）
docker stop <container_id>

# 可选：删除容器
docker rm <container_id>

如果不再需要，您还可以删除之前创建的 simple_model 目录。

本实践展示了使用 TF Serving 部署 TensorFlow 模型的基本流程。您以 SavedModel 格式保存了模型，使用 Docker 启动服务容器并挂载模型目录，并成功向模型的 REST 端点查询预测结果。这为将更复杂的模型部署到生产环境奠定了基础。您可以通过查看 TF Serving 的配置选项、批量请求以获得更高吞吐量，或使用 gRPC 接口以实现潜在的更低延迟通信来扩展此功能。