24、机器学习平台构建与应用

机器学习平台构建与应用

1. 模型预测与分类

在模型预测方面，对 test1.png 和 test2.png 进行预测，输出结果如下：

Prediction for test1.png =  {'predictions': [[1.23764e-24]]}
Prediction for test2.png =  {'predictions': [[1.0]]}

对于可乐图像（ test1.png ），模型预测值接近 0；对于百事图像（ test2.png ），模型预测值为 1，这符合模型的训练预期，结果良好。还可以使用从互联网下载的图像进行测试。

客户端代码不直接依赖 TensorFlow，具体操作步骤如下：
1. 获取图像。
2. 对图像进行归一化处理（除以 255）。
3. 将图像转换为列表。
4. 将列表传递给 REST 端点。
5. 结果以 JSON 值返回，可解码得到 0 或 1 的结果。这是一个二元分类问题，只有 0 或 1 两种结果。实际应用中，会构建更复杂的多类预测模型，这些模型也可部署在 TensorFlow-Serving 上。

2. 模型大规模部署

数据科学家面临的一个主要问题是模型的大规模部署，可使用 TensorFlow-Serving 来解决。由于 TensorFlow-Serving 以 Docker 容器的形式运行，可轻松将其打包并部署到 Kub