Tensorflow Serving是一种将TensorFlow制作好的模型 用于应用的服务的工具。TensorflowServing是为训练好的模型提供对外rpc调用的接口服务器，它能够检测模型的最新版本并自动加载，使得模型到生产环境的部署更为便利。不得不说这个是一个非常好的工具，既免去了模型服务化的开发工作，又保证了迭代训练的模型能够快速上线。记得本博主去年还专门做过一段时间caffe模型的服务化，封装人脸识别和物体识别的http接口，一开始写起来还是挺麻烦的。最近团队内部NLP的模型训练切换到了Tensorflow，于是乎便简单体验了一下Tensorflow Serving，这里做个简单的总结。
假装贴一个图 ：）
1.如何制作Tesor Serving的应用？
基本分为两部分，
第一步：训练模型，并且导出（export）产生pb( protocol buffer )格式的文件。
第二步：使用gRPC服务讯早导出的模型并为模型开启服务。
如图1所示。
图1构建Tensor Serving
详情参见：Building Standard TensorFlow ModelServer
2. Tensor Serving需要什么形式的模型才能使用？
Serving导出的模型文件格式是*.pb这种文件以二进制的形式保存模型每个节点的值。
3. Tensorflow的导出和保存有区别么？
有的。
1.首先：两者操作后产生的文件不同（save操作的问件事ckp系列，export是pb，protocol buffer文件）。
2.其次，操作的目的不同： 保存（save）模型的目的是：防止在训练过程中突然断电导致训的参数据丢失。而不是用于Serving。
导出（export）模型的目的是：为了让RCP服务使用。
参见：tf.saved_model.builder.SavedModelBuilder
4.使用tensorflow训练好的模型保存下来以后，是否可以直接用在tensor Serving上？
回答：能。
经过Tesnsorflow的tf.train.save()保存下当前模型的权重，同时会产生三种文件：
model.ckpt-412506.data-00000-of-00001#这个文件保存下来的是数据
model.ckpt-412506.index#保存下来索引
model.ckpt-412506.meta#
这些文件是不能够直接用在Serving上的，需要转换成pb。方法也很简单：
把恢复原有的模型，然后使用tf.saved_model.builder.SavedModelBuilder导出。
在网上也找到了另一种实现方式tf_serving中各模型到saved_model的转换
2、Basic Serving Tutorial
basic tutorial：学习如何导出一个训练的tensorflow模型，并且建立一个服务器来服务导出模型。
advanced tutorial：学习如何建立一个服务器，自动地发现并服务训练模型的新版本。
4、Serving Inception Model Tutorial
serving inception tutorial：学习如何使用TensorFlow Serving and Kubernetes来服务inception模型。
ۢ7t����`[�/
