机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

大规模训练和部署

TensorFlow

模型

｜

577

response.raise_for_status()

# raise an exception in case of error

response = response.json()

响应是一个包含 "predictions" 键的字典。对应的值是预测列表。该列表是 Python

列表，因此我们将其转换为 NumPy 数组，并将其包含的浮点数舍入到第二个小数：

>>>

y_proba = np.array(response["predictions"])

>>>

y_proba.round(2)

array([[0. , 0. , 0. , 0. , 0. , 0. , 0. , 1. , 0. , 0. ],

[0. , 0. , 0.99, 0.01, 0. , 0. , 0. , 0. , 0. , 0. ],

[0. , 0.96, 0.01, 0. , 0. , 0. , 0. , 0.01, 0.01, 0. ]])

我们得到预测了！该模型 100% 确信第一幅图像是 7，99% 确信第二幅图像是 2，以及

96% 确信第三幅图像是 1。

REST API 非常好用和简单，当输入和输出数据不太大时，它可以很好地工作。而且几

乎任何客户端应用程序都可以进行 REST 查询而没有其他依赖关系，而其他协议并非总

是那么容易获得的。但是它基于 JSON，是文本格式且相当冗长。我们必须将 NumPy 数

组转换为 Python 列表，并且每个浮点数最终都表示为字符串 ...