第1个回答 2016-12-18
1、将tensorflow训练出来的模型更好的应用在生产环境中,通过API等等支持的方式来方便对外提供稳定可靠的服务,比如人脸识别商业化.2、举个例子,清晰一点.说一下我们现在模型对外提供服务的方案:数据建模,我用的python,在用scikit-learn训练出模型后,怎么让其他人也能享受这个模型呢?总不能将代码给人家,让人家再训练一遍吧,所以我们用joblib.dump将训练出来的模型变为一个实体的文件,然后copy到生产环境,用joblib.load加载后,再用flask对外提供API服务.3、对比一下,可知tensorflow相当于scikit-learn,是一个深度学习工具.那tensorflow serving就相当于把上面的joblib.dump(当然了tensorflow serving是export方法)与joblib.load以及最后提供输出能力(相当于上面的flask)都一手包办了.4、意义就在于能够很方便的将深度学习生产化,解决了模型无法提供服务的弊端,并且用的是c++语言,性能上应该也是可以的.5、所以,以后深度学习方向的创业公司都能很方便的将产品商业化了,保证7*24小时的可靠服务.