首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

是否可以在Google Cloud AI Platform在线预测请求中指定服务默认值以外的签名?

在Google Cloud AI Platform的在线预测请求中,可以指定服务默认值以外的签名。AI Platform提供了一个REST API,用于发送在线预测请求。在发送请求时,可以通过在请求的signature_name字段中指定不同的签名来选择不同的模型版本或签名。签名是在模型训练期间定义的,用于标识模型的不同版本或不同的功能。

通过指定不同的签名,可以使用不同的模型版本或不同的功能。这对于在模型迭代过程中进行A/B测试或使用不同的功能非常有用。例如,可以使用一个签名进行图像分类,另一个签名进行图像分割。

在AI Platform的在线预测请求中,可以通过设置请求的signature_name字段来指定不同的签名。以下是一个示例请求的JSON格式:

代码语言:txt
复制
{
  "instances": [
    {
      "image": {
        "b64": "<base64-encoded-image>"
      }
    }
  ],
  "signature_name": "classification"
}

在这个示例中,signature_name字段被设置为"classification",表示使用名为"classification"的签名进行预测。

关于Google Cloud AI Platform的更多信息和产品介绍,您可以访问腾讯云的AI Platform产品页面:AI Platform

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

《Scikit-Learn、Keras与TensorFlow机器学习实用指南(第二版)》第19章 规模化训练和部署TensorFlow模型

有了能做出惊人预测的模型之后,要做什么呢?当然是部署生产了。这只要用模型运行一批数据就成,可能需要写一个脚本让模型每夜都跑着。但是,现实通常会更复杂。系统基础组件都可能需要这个模型用于实时数据,这种情况需要将模型包装成网络服务:这样的话,任何组件都可以通过REST API询问模型。随着时间的推移,你需要用新数据重新训练模型,更新生产版本。必须处理好模型版本,平稳地过渡到新版本,碰到问题的话需要回滚,也许要并行运行多个版本做AB测试。如果产品很成功,你的服务可能每秒会有大量查询,系统必须提升负载能力。提升负载能力的方法之一,是使用TF Serving,通过自己的硬件或通过云服务,比如Google Cloud API平台。TF Serving能高效服务化模型,优雅处理模型过渡,等等。如果使用云平台,还能获得其它功能,比如强大的监督工具。

02
  • 领券