살아 움직이는 머신러닝 파이프라인 설계: 텐서플로와 함께하는 머신러닝 프로젝트 자동화

196

살아 움직이는 머신러닝 파이프라인 설계

클라이언트 서빙 핸들러

버전 정책이 있는

모델 관리자

모델 로더 모델 소스

텐서플로 서빙

그림

8-2

텐서플로 서빙 아키텍처 개요

8.5

텐서플로 서빙용 모델 내보내기

텐서플로 서빙 구성을 살펴보기 전에 머신러닝 모델을 텐서플로 서빙에서 사용할 수 있도록 내

보내는 방법부터 알아보겠습니다. 사용자의 텐서플로 모델 유형에 따라 내보내기 단계가 약간

다릅니다. 내보낸 모델은 [예제

8

-

2

]와 파일 구조가 같습니다.

케라스 모델에서는 다음을 사용할 수 있습니다.

saved_model_path

=

model.save(file

path=”./saved_models”,

save_format=”tf”)

TIP

내보내기 경로에 타임스탬프 추가하기

모델을 수동으로 저장할 때는 케라스 모델의 내보내기 경로에 내보내기 시간의 타임스탬프를 추가하면 좋습

니다.

tf

.

Estimator

와 달리

model

.

save

()

는 타임스탬프 경로를 자동으로 생성하지 않습니다. 다음 파이

썬 코드를 사용하여 파일 경로를 쉽게 만들 수 있습니다.

import

time

ts

=

int(time.time())

file

path

=

“./saved_models/{}”.format(ts)

saved_model_path

=

model.save(file

path=file

path, ...