谷歌发布 TensorFlow Serving 开源项目：更快的将深度学习模型产品商业化

机器学习现在变得越来越流行了，不仅被大力应用于像 Google 和 Facebook 这样的网络公司，也被普遍应用到大量的创业公司当中。

机器学习经过几十年软件工业的实践已达到产品级别，现已应用在 Google 各系列产品中, 从 Google app 中的语音识别，Google Mail 中的自动回复到 Google Photo 的搜索。但要把这些机器学习模型做成服务对外提供使用是一种新的挑战。

TensorFlow 开源之后，今天 Google 又宣布发布面向生产环境的 TensorFlow Serving，旨在解决上述挑战。Google 软件工程师 Noah Fiedel 在博文中介绍，“TensorFlow Serving 是一个高性能、开源的机器学习服务系统，为生产环境及优化 TensorFlow 而设计。它更适合运行多个大规模模型，并支持模型生命周期管理、多种算法实验及有效地利用 GPU 资源。TensorFlow Serving 能够让训练好的模型更快、更易于投入生产环境使用。

这里有必要先科普下 TensorFlow 和 TensorFlow Serving 的区别：
TensorFlow 项目主要是基于各种机器学习算法构建模型，并为某些特定类型的数据输入做适应学习，而 TensorFlow Serving 则专注于让这些模型能够加入到产品环境中。开发者使用 TensorFlow 构建模型，然后 TensorFlow Serving 基于客户端输入的数据使用前面 TensorFlow 训练好的模型进行预测。
个人认为 TensorFlow Serving 是将 tensorflow 训练出来的模型更好的应用于生产环境中，通过它的 API 等支持的方式来方便对外提供稳定可靠的服务。TensorFlow Serving 的意义就在于能够很方便的将深度学习生产化，解决了模型无法提供服务的弊端，并且用的是 c++ 语言，性能上应该不错。这样以后深度学习方向的创业公司都能很方便的将产品商业化，保证 7*24 小时的可靠服务。

如谷哥所说，TensorFlow Serving 可以在不改变现有模型架构和 API 的基础上发布新的模型和实验数据到产品中。它不仅仅支持 TensorFlow 训练的模型，也可以扩展到其他类型的模型 (比如 Scikit Learn 生成的模型)。
下面讲下 TensorFlow Serving 使用的具体例子：
给个简单的监督学习的训练 pipeline，如图 1

图 1
在图 1 中，输入训练数据 (Data) 到学习者 (Learner) 中，输出训练成功的模型 (Model 1)。

一旦新版本的模型训练好就可以发布到服务系统 (TensorFlow Serving) 上，如图 2

图 2
在图 2 中，TensorFlow Serving 利用上面训练好的模型基于客户端 (Clients) 提供的数据进行预测结果。这里客户端和服务端之间的通信采用的是 RPC 协议 (Google 开源的一个高性能 RPC 的实现，gRPC 源代码见 http://www.grpc.io )。

对于生产环境来说，启动模型，随着时间不断迭代模型，新的训练数据出现需要训练优化模型，这些都是常态。现在有了 TensorFlow Serving 就可以在不停止服务的情况下更新模型和数据，Google 内部许多 pipelines 一直在运行。

TensorFlow Serving 采用 C++ 编写，支持 Linux。为性能做有优化，在 16 核至强 CPU 设备上，每核每秒能够处理超过 10 万个请求，这里包括 gRPC 和 TensorFlow 接口之间的处理时间。 TensorFlow Serving 代码和教程已经能够在GitHub 获取。

感谢杜小芳对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们，并与我们的编辑和其他读者朋友交流（欢迎加入 InfoQ 读者交流群（已满），InfoQ 读者交流群（#2））。