tensorflow serving-serving a tensorflow model

（学习使用，仅供参考） 详细请参考：https://www.tensorflow.org/serving/serving_basic
这章教你怎样使用tf serving export出一个已经训练好的模型，并使用标准的tensorflow_model_server 将其服务出去。

这章需要两部分代码：
　　a python file:mnist_saverd_model.py,它用来训练和导出模型
　　一个modelsever二进制文件，这个modelserver可以找到新导出的模型并调用gRpc服务将其服务出去。

１．Ｔｒａｉn and Export tf　Model
你可以在mnist_saverd_model.py中看到，训练部分和MNIST For ML Beginners tutorial中的相同，ｔｆ graph在ｓｅｓｓ中开始运行，其输入为ｘ(input tensor[image])，其输出为y(output tensor[softmax score])

 然后我们使用SavedModelBuilder module去export模型，SavedModelBuilder保存一个训练过模型的“snapshot”，以便在预测的时候可以被load。

from tensorflow.python.saved_model import builder as saved_model_builder
...
export_path_base = sys.argv[-1]
export_path = os.path.join(
      compat.as_bytes(export_path_base),
      compat.as_bytes(str(FLAGS.model_version)))
print 'Exporting trained model to', export_path
builder = saved_model_builder.SavedModelBuilder(export_path)
builder.add_meta_graph_and_variables(
      sess, [tag_constants.SERVING],
      signature_def_map={
           'predict_images':
               prediction_signature,
           signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY:
               classification_signature,
      },
      legacy_init_op=legacy_init_op)
builder.save()

SavedModelBuilder.__init__需要下面的参数：
　1.export_path 导出的路径
SavedModelBuilder在没有目录的时候创建目录，在这个例子中，拼接了命令行参数和model_version得到真正的导出目录，FLAGS.model_version指定的模型的版本，下一次导出的版本一定要比上次导出的版本版本号大，每个版本的模型都被导出到同一指定目录下的不同子目录。

你可以使用builder添加子图和变量，用SavedModelBuilder.add_meta_graph_and_variables(),其具有以下参数:
　１．sess 是一个tf session,它包含你导出的训练模型
　２．tags 是一系列的tags，它们用来保存子图，在这个例子里，因为我们想在serving中使用图，我们使用已经在SavedModel tag 常量中定义好的serve　tag.
 　３．signature_def_map指定 。。。，Signature 指定什么类型的模型将会被导出，并指定预测时的input/output

signature_def_map中的serving_default指定默认的serving signature,默认的serving signature def key,和其他的与signature相关的常量一起，被定义为SavedModel signature常量。

如果你想更容易的build signature defs