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和非死book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。
</div>
相关资讯
- 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
- 谷歌推出TensorFlow Serving 降低机器学习模型投入生产的难度
- 谷歌开源机器学习系统 代号“TensorFlow”
- 谷歌刚发布的深度学习动态计算图工具TensorFlow Fold是什么？
- Nervana 开源深度学习软件，性能超 Facebook、Nvidia产品
- 谷歌用于图像识别的机器学习模型已移植至TensorFlow并已开源
- 如何评价Tensorflow和其它深度学习系统
- 360开源其深度学习调度平台，支持TensorFlow、MXNet等框架
- ElasticDL：首个基于 TensorFlow 实现弹性深度学习的开源系统
- 谷歌开源第二代机器学习系统 TensorFlow