访问官网
Github
文档TensorFlow Serving 项目介绍
TensorFlow Serving 是一个灵活、高性能的机器学习模型服务系统，专为生产环境设计。这个项目主要关注机器学习的推理阶段，它可以在模型训练完成后管理模型的生命周期，并通过高性能的引用计数查找表为客户端提供版本化的访问。
主要特点
TensorFlow Serving 具有以下几个突出特点：
- 多模型支持：可以同时服务多个模型，或同一模型的多个版本。
- 多协议支持：提供 gRPC 和 HTTP 两种推理端点。
- 无缝升级：部署新版本模型时无需更改客户端代码。
- 灰度发布：支持新版本的金丝雀发布和实验模型的 A/B 测试。
- 低延迟：采用高效、低开销的实现方式，最大限度地减少推理时间。
- 批处理调度：具有调度器功能，可将单个推理请求分组为批处理，以便在 GPU 上联合执行，并提供可配置的延迟控制。
- 多样化服务：支持 TensorFlow 模型、嵌入、词汇表、特征转换，甚至非 TensorFlow 的机器学习模型。
快速上手
TensorFlow Serving 提供了一种快速部署和使用模型的方法。用户只需几个简单的步骤，就可以在 60 秒内启动一个 TensorFlow 模型服务。这个过程包括下载 Docker 镜像、克隆项目仓库、启动容器并通过 REST API 查询模型。
安装与设置
项目推荐使用 Docker 镜像来安装和使用 TensorFlow Serving，这是最简单直接的方法。对于有特殊需求的用户，也提供了不使用 Docker 的安装方式，以及从源代码构建的选项。此外，项目还支持在 Kubernetes 上部署 TensorFlow Serving。
使用指南
要使用 TensorFlow Serving，用户需要先从 TensorFlow 程序中导出一个 SavedModel。SavedModel 是一种语言中立、可恢复、密封的序列化格式，能够让更高级的系统和工具生成、使用和转换 TensorFlow 模型。
项目提供了详细的文档，包括基础教程、配置指南、性能指南以及 API 文档。用户可以学习如何配置 TensorFlow Serving 以适应特定的服务用例，如何使用 TensorBoard 来分析和优化推理请求，以及如何处理自定义操作的模型。
扩展性
TensorFlow Serving 的架构高度模块化，用户可以单独使用某些部分（如批处理调度），也可以扩展它以服务新的用例。项目提供了架构文档、C++ API 参考，以及创建新类型 Servable 和自定义 Servable 版本源的指南。
社区贡献
TensorFlow Serving 是一个开源项目，欢迎社区贡献。项目维护了详细的贡献指南，希望参与贡献的开发者应该仔细阅读这些指南。
通过这个全面而灵活的系统，TensorFlow Serving 为机器学习模型的部署和服务提供了强大的支持，使得从模型训练到生产环境的过渡更加顺畅和高效。
