У меня есть набор пользовательских экземпляров модели, наследуемых от tf.keras.layers.Layer
, которые я сохраняю. Я хотел бы обслуживать их с помощью TFX Serving, для чего у меня должен быть model_config
файл.
Интересно, как это создать по книге. Прямо сейчас у меня есть следующий код, который, как я считаю, больше касается моего собственного бриколажа, чем того, что я должен делать ...
model_server_config = model_server_config_pb2.ModelServerConfig()
#Create a config to add to the list of served models
config_list = model_server_config_pb2.ModelConfigList()
for i in range(0,len(trainable_unit_name)): # add models one by one to the model config.
model_name = name[i]
base_path = "/models/{}".format(name[i])
one_config = config_list.config.add()
one_config.name = model_name
one_config.base_path = base_path
one_config.model_platform ="tensorflow"
model_server_config.model_config_list.MergeFrom(config_list)
with open(C.CONF_FILEPATH, 'w+') as f:
f.write("model_config_list {" + config_list.__str__() + "}") #manually wrap it around "model_config_list { .." because this is the required format by TFX Serving.