Tensorflow 服务：大模型，protobuf 错误

Question

我正在尝试使用 Tensorflow Serving 制作一个大模型（大小为 1.2 GB），但我得到一个：

2017-12-02 21:55:57.711317: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:236] Loading SavedModel from: ...
[libprotobuf ERROR external/protobuf_archive/src/google/protobuf/io/coded_stream.cc:193] A protocol message was rejected because it was too big (more than 1073741824 bytes).  To increase the limit (or to disable these warnings), see CodedInputStream::SetTotalBytesLimit() in google/protobuf/io/coded_stream.h.
2017-12-02 21:55:58.563507: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:284] Loading SavedModel: fail. Took 852178 microseconds.
2017-12-02 21:55:58.563567: E tensorflow_serving/util/retrier.cc:38] Loading servable: {name: 2 version: 2} failed: Data loss: Can't parse .../saved_model.pb as binary proto

几年前我在 Github 上通读了一些相关问题，但最终变得无关紧要，因为 Serving 使用的是 C++ 版本的 protobuf。关于使用 Serving 部署大型模型的信息很少，因此任何信息就足够了。

Tensorflow Serving 是在主机上编译的，模型也是，但使用 python3（我想知道它是否与任何东西有关）。有没有快速解决这个问题的方法，或者我必须深入研究 Serving C++ 源代码并增加消息的大小？

在评论中按要求编辑：

我按照官方教程保存了模型。模型这么大的原因是我保存了一个嵌入层。无论如何，这是保存代码：

export_path = 'model/1'
builder = saved_model_builder.SavedModelBuilder(export_path)

signature = predict_signature_def(inputs={'input': input},
                                  outputs={'sent': output})


builder.add_meta_graph_and_variables(sess=session,
                                     tags=[tag_constants.SERVING],
                                     signature_def_map={'predict': signature})
builder.save()

该模型由 GitHub 在 Ubuntu 16.04 主机上编译的 TF 服务读取。

Answer 1

希望它对某人有所帮助，但我 "found" 一个解决方案。

主要问题很明显；这是一个 NLP 模型，因此它有一个很大的词汇量。在图形定义中保留词汇会使 metagraphdef 膨胀，并且 protobuf 在面对如此大的协议时会出错。

解决方案是将字典放在 assets_collection 中。关于您实际需要做的事情的文档很少，但是在官方回购中查看 saved_model_test.py 值得一看。

要利用 Tensorflow Serving 的资产，必须创建自定义 Servable，如 Creating a new kind of servable 官方文档中所述。无法给出具体的例子，因为我暂时只是简单地容器化了模型。

如果有人有例子，或者在 NLP 模型部署方面有更好的策略，我很乐意进一步讨论。

Tensorflow 服务：大模型，protobuf 错误

Tensorflow Serving: Large model, protobuf error

c++

machine-learning

tensorflow

deep-learning

tensorflow-serving