AI 助理
备案控制台
开发者社区 云服务技术课堂 文章 正文

Tensorflow Serving部署模型与调用

2022-08-01 62726
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 本文以mnist为数据集，使用keras 构建CNN网络，将训练获取的模型通过Tensorflow Serving方式部署提供Rest Full接口，分别使用PostMan和Python调用服务，代码编辑调试使用阿里云PAI DSW实例，模型部署使用阿里云ECS虚拟机。

一、模型训练Code

importmatplotlib.pyplotaspltimporttimefromnumpyimportasarrayfromnumpyimportuniquefromnumpyimportargmaxfromtensorflow.keras.datasets.mnistimportload_datafromtensorflow.kerasimportSequentialfromtensorflow.keras.layersimportDensefromtensorflow.keras.layersimportConv2Dfromtensorflow.keras.layersimportMaxPool2Dfromtensorflow.keras.layersimportFlattenfromtensorflow.keras.layersimportDropout#load MNIST dataset(x_train, y_train), (x_test, y_test) =load_data()
print(f'Train: X={x_train.shape}, y={y_train.shape}')
print(f'Test: X={x_test.shape}, y={y_test.shape}')
# reshape data to have a single channelx_train=x_train.reshape((x_train.shape[0], x_train.shape[1], x_train.shape[2], 1))
x_test=x_test.reshape((x_test.shape[0], x_test.shape[1], x_test.shape[2], 1))
# normalize pixel valuesx_train=x_train.astype('float32') /255.0x_test=x_test.astype('float32') /255.0# set input image shapeinput_shape=x_train.shape[1:]
# set number of classesn_classes=len(unique(y_train))
# define modelmodel=Sequential()
model.add(Conv2D(64, (3,3), activation='relu', input_shape=input_shape))
model.add(MaxPool2D((2, 2)))
model.add(Conv2D(32, (3,3), activation='relu'))
model.add(MaxPool2D((2, 2)))
model.add(Flatten())
model.add(Dense(50, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(n_classes, activation='softmax'))
# define loss and optimizermodel.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# fit the modelmodel.fit(x_train, y_train, epochs=10, batch_size=128, verbose=1)
# evaluate the modelloss, acc=model.evaluate(x_test, y_test, verbose=0)
print('Accuracy: %.3f'%acc)
#save modelts=int(time.time())
file_path=f"./img_classifier/{ts}/"model.save(filepath=file_path, save_format='tf')
  • 直接运行代码训练获取的模型：

图片.png


二、部署模型

  • 2.1 安装docker

CentOS Docker 安装

  • 2.2 Installing Tensorflow Serving
dockerpulltensorflow/serving

图片.png

  • 2.3  部署模型
dockerrun-p8501:8501--nametfserving_classifier--mounttype=bind,source=/root/demo/img_classifier/,target=/models/img_classifier-eMODEL_NAME=img_classifier-ttensorflow/serving

三、模型调用

  • 3.1 服务地址
http://《部署服务的机器IP》:8501/v1/models/img_classifier:predict

注意：如果机器有内外地址，测试机器和服务部署机器内外可达，建议使用内外地址，如果测试机器与服务机器内外不可达，建议可以使用部署服务机器的公网IP地址。

  • 3.2 Python测试Code
importrequestsimportjsonfromtensorflow.keras.datasets.mnistimportload_data#load MNIST dataset(_, _), (x_test, y_test) =load_data()
# reshape data to have a single channelx_test=x_test.reshape((x_test.shape[0], x_test.shape[1], x_test.shape[2], 1))
# normalize pixel valuesx_test=x_test.astype('float32') /255.0#server URLurl='http://192.168.0.***:8501/v1/models/img_classifier:predict'defmake_prediction(instances):
data=json.dumps({"signature_name": "serving_default", "instances": instances.tolist()})
headers= {"content-type": "application/json"}
json_response=requests.post(url, data=data, headers=headers)
predictions=json.loads(json_response.text)['predictions']
returnpredictionsxx=x_test[0:1]
predictions=make_prediction(xx)
print(predictions)
  • 3.3 Post Man测试

图片.png

  • 测试Body Json文本
{"signature_name": "serving_default", "instances": [[[[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.3294117748737335], [0.7254902124404907], [0.6235294342041016], [0.5921568870544434], [0.23529411852359772], [0.1411764770746231], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.8705882430076599], [0.9960784316062927], [0.9960784316062927], [0.9960784316062927], [0.9960784316062927], [0.9450980424880981], [0.7764706015586853], [0.7764706015586853], [0.7764706015586853], [0.7764706015586853], [0.7764706015586853], [0.7764706015586853], [0.7764706015586853], [0.7764706015586853], [0.6666666865348816], [0.20392157137393951], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.26274511218070984], [0.4470588266849518], [0.2823529541492462], [0.4470588266849518], [0.6392157077789307], [0.8901960849761963], [0.9960784316062927], [0.8823529481887817], [0.9960784316062927], [0.9960784316062927], [0.9960784316062927], [0.9803921580314636], [0.8980392217636108], [0.9960784316062927], [0.9960784316062927], [0.5490196347236633], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.06666667014360428], [0.25882354378700256], [0.054901961237192154], [0.26274511218070984], [0.26274511218070984], [0.26274511218070984], [0.23137255012989044], [0.08235294371843338], [0.9254902005195618], [0.9960784316062927], [0.4156862795352936], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.32549020648002625], [0.9921568632125854], [0.8196078538894653], [0.07058823853731155], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.08627451211214066], [0.9137254953384399], [1.0], [0.32549020648002625], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.5058823823928833], [0.9960784316062927], [0.9333333373069763], [0.1725490242242813], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.23137255012989044], [0.9764705896377563], [0.9960784316062927], [0.24313725531101227], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.5215686559677124], [0.9960784316062927], [0.7333333492279053], [0.019607843831181526], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.03529411926865578], [0.8039215803146362], [0.9725490212440491], [0.22745098173618317], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.4941176474094391], [0.9960784316062927], [0.7137255072593689], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.29411765933036804], [0.9843137264251709], [0.9411764740943909], [0.2235294133424759], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.07450980693101883], [0.8666666746139526], [0.9960784316062927], [0.6509804129600525], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0117647061124444], [0.7960784435272217], [0.9960784316062927], [0.8588235378265381], [0.13725490868091583], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.14901961386203766], [0.9960784316062927], [0.9960784316062927], [0.3019607961177826], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.12156862765550613], [0.8784313797950745], [0.9960784316062927], [0.45098039507865906], [0.003921568859368563], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.5215686559677124], [0.9960784316062927], [0.9960784316062927], [0.20392157137393951], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.239215686917305], [0.9490196108818054], [0.9960784316062927], [0.9960784316062927], [0.20392157137393951], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.4745098054409027], [0.9960784316062927], [0.9960784316062927], [0.8588235378265381], [0.1568627506494522], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.4745098054409027], [0.9960784316062927], [0.8117647171020508], [0.07058823853731155], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]], [[0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]]]]}


更多参考

How to Serve Machine Learning Models With TensorFlow Serving and Docker

文章标签：
Python
容器
机器学习/深度学习
算法框架/工具
弹性计算
网络架构
Docker
TensorFlow
数据格式
JSON
关键词：
TensorFlow模型
TensorFlow serving模型
TensorFlow serving部署
TensorFlow serving
TensorFlow部署
taro_秋刀鱼
目录
相关文章
zzy的aly
|
3月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
深度学习之格式转换笔记(三)：keras(.hdf5)模型转TensorFlow(.pb) 转TensorRT(.uff)格式
将Keras训练好的.hdf5模型转换为TensorFlow的.pb模型，然后再转换为TensorRT支持的.uff格式，并提供了转换代码和测试步骤。
zzy的aly
113 3
深度学习之格式转换笔记(三)：keras(.hdf5)模型转TensorFlow(.pb) 转TensorRT(.uff)格式
东方睿赢
|
2月前
|
机器学习/深度学习 数据采集 数据可视化
TensorFlow，一款由谷歌开发的开源深度学习框架，详细讲解了使用 TensorFlow 构建深度学习模型的步骤
本文介绍了 TensorFlow，一款由谷歌开发的开源深度学习框架，详细讲解了使用 TensorFlow 构建深度学习模型的步骤，包括数据准备、模型定义、损失函数与优化器选择、模型训练与评估、模型保存与部署，并展示了构建全连接神经网络的具体示例。此外，还探讨了 TensorFlow 的高级特性，如自动微分、模型可视化和分布式训练，以及其在未来的发展前景。
东方睿赢
138 5
子午s
|
2月前
|
机器学习/深度学习 人工智能 算法
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
手写数字识别系统，使用Python作为主要开发语言，基于深度学习TensorFlow框架，搭建卷积神经网络算法。并通过对数据集进行训练，最后得到一个识别精度较高的模型。并基于Flask框架，开发网页端操作平台，实现用户上传一张图片识别其名称。
子午s
109 0
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
子午s
|
2月前
|
机器学习/深度学习 人工智能 算法
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
蔬菜识别系统，本系统使用Python作为主要编程语言，通过收集了8种常见的蔬菜图像数据集（'土豆', '大白菜', '大葱', '莲藕', '菠菜', '西红柿', '韭菜', '黄瓜'），然后基于TensorFlow搭建卷积神经网络算法模型，通过多轮迭代训练最后得到一个识别精度较高的模型文件。在使用Django开发web网页端操作界面，实现用户上传一张蔬菜图片识别其名称。
子午s
112 0
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
子午s
|
2月前
|
机器学习/深度学习 人工智能 算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别，使用Python作为主要编程语言，通过收集多种车辆车型图像数据集，然后基于TensorFlow搭建卷积网络算法模型，并对数据集进行训练，最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面，实现用户上传一张车辆图片识别其类型。
子午s
104 0
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
子午s
|
4月前
|
机器学习/深度学习 人工智能 算法
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
鸟类识别系统。本系统采用Python作为主要开发语言，通过使用加利福利亚大学开源的200种鸟类图像作为数据集。使用TensorFlow搭建ResNet50卷积神经网络算法模型，然后进行模型的迭代训练，得到一个识别精度较高的模型，然后在保存为本地的H5格式文件。在使用Django开发Web网页端操作界面，实现用户上传一张鸟类图像，识别其名称。
子午s
134 12
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
zzy的aly
|
3月前
|
机器学习/深度学习 移动开发 TensorFlow
深度学习之格式转换笔记(四):Keras(.h5)模型转化为TensorFlow(.pb)模型
本文介绍了如何使用Python脚本将Keras模型转换为TensorFlow的.pb格式模型，包括加载模型、重命名输出节点和量化等步骤，以便在TensorFlow中进行部署和推理。
zzy的aly
148 0
土木林森
|
5月前
|
API UED 开发者
如何在Uno Platform中轻松实现流畅动画效果——从基础到优化，全方位打造用户友好的动态交互体验！
【8月更文挑战第31天】在开发跨平台应用时，确保用户界面流畅且具吸引力至关重要。Uno Platform 作为多端统一的开发框架，不仅支持跨系统应用开发，还能通过优化实现流畅动画，增强用户体验。本文探讨了Uno Platform中实现流畅动画的多个方面，包括动画基础、性能优化、实践技巧及问题排查，帮助开发者掌握具体优化策略，提升应用质量与用户满意度。通过合理利用故事板、减少布局复杂性、使用硬件加速等技术，结合异步方法与预设缓存技巧，开发者能够创建美观且流畅的动画效果。
土木林森
98 0
土木林森
|
5月前
|
C# 开发者 前端开发
揭秘混合开发新趋势：Uno Platform携手Blazor，教你一步到位实现跨平台应用，代码复用不再是梦！
【8月更文挑战第31天】随着前端技术的发展，混合开发日益受到开发者青睐。本文详述了如何结合.NET生态下的两大框架——Uno Platform与Blazor，进行高效混合开发。Uno Platform基于WebAssembly和WebGL技术，支持跨平台应用构建；Blazor则让C#成为可能的前端开发语言，实现了客户端与服务器端逻辑共享。二者结合不仅提升了代码复用率与跨平台能力，还简化了项目维护并增强了Web应用性能。文中提供了从环境搭建到示例代码的具体步骤，并展示了如何创建一个简单的计数器应用，帮助读者快速上手混合开发。
土木林森
120 0
土木林森
|
5月前
|
开发者 算法 虚拟化
惊爆！Uno Platform 调试与性能分析终极攻略，从工具运用到代码优化，带你攻克开发难题成就完美应用
【8月更文挑战第31天】在 Uno Platform 中，调试可通过 Visual Studio 设置断点和逐步执行代码实现，同时浏览器开发者工具有助于 Web 版本调试。性能分析则利用 Visual Studio 的性能分析器检查 CPU 和内存使用情况，还可通过记录时间戳进行简单分析。优化性能涉及代码逻辑优化、资源管理和用户界面简化，综合利用平台提供的工具和技术，确保应用高效稳定运行。
土木林森
112 0

云服务技术课堂

热门文章

最新文章

  • 1
    猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
  • 2
    【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
  • 3
    TensorFlow，一款由谷歌开发的开源深度学习框架，详细讲解了使用 TensorFlow 构建深度学习模型的步骤
  • 4
    Kubeflow实战系列：利用TensorFlow Serving进行模型预测
  • 5
    tensorflow object detection API训练公开数据集Oxford-IIIT Pets Dataset
  • 6
    tensorflow：流程，概念和简单代码注释
  • 7
    CNN-RNN中文文本分类，基于TensorFlow 实现
  • 8
    用GPU进行TensorFlow计算加速
  • 9
    TensorFlow 2.0开发者测试版来啦，正式版推出指日可待
  • 10
    TensorFlow的开源与Hadoop的开源有什么不同？
  • 1
    关于Tensorflow！目标检测预训练模型的迁移学习
    85
  • 2
    使用TensorFlow进行深度学习入门
    92
  • 3
    Python深度学习基于Tensorflow（7）视觉处理基础
    80
  • 4
    Python深度学习基于Tensorflow（6）神经网络基础
    67
  • 5
    Python深度学习基于Tensorflow（5）机器学习基础
    60
  • 6
    Python深度学习基于Tensorflow（3）Tensorflow 构建模型
    132
  • 7
    Python深度学习基于Tensorflow（1）Numpy基础
    61
  • 8
    23.10.02更新 windows系统下的Tensorflow安装(图多详细)
    168
  • 9
    TensorFlow与PyTorch框架的深入对比：特性、优势与应用场景
    706
  • 10
    【Python 机器学习专栏】使用 TensorFlow 构建深度学习模型
    236

    • 相关课程

    更多
  • 深度学习框架TensorFlow入门
  • Tensorflow2.0入门与实战
  • Pytorch实战
  • 跟着指南学PyTorch
  • TensorFlow基础教程

    • 相关电子书

    更多
  • 使用TensorFlow搭建智能开发系统自动生成App UI
  • 从零到一：IOS平台TensorFlow入门及应用详解
  • 从零到一：IOS平台TensorFlow入门及应用详解（附源

    • 相关实验场景

    更多
  • 【文生图】一键部署Stable Diffusion基于函数计算
  • 在云上部署ChatGLM2-6B大模型（GPU版）
  • 使用PAI-快速开始，低代码实现大语言模型微调和部署
  • 使用PAI-EAS一键部署ChatGLM及LangChain应用
  • 【可换模型】基于函数计算一键部署 Stable Diffusion
    • 下一篇
    DataWorks智能交互式数据开发与分析之旅