通常需要抽象出您的机器学习模型细节，然后将其与易于使用的 API 端点部署或集成。 例如，我们可以提供一个 URL 端点，任何人都可以使用它来发出 POST 请求，他们将获得模型推断的 JSON 响应，而不必担心其技术问题。
https://embed.notionlytics.com/wt/ZXlKd1lXZGxTV1FpT2lKaU1qYzFPR1V5TmpNNFpHSTBOalUxWW1NeFpqY3laR0V5WmpkaE1EaG1NQ0lzSW5kdmNtdHpjR0ZqWlZSeVlXTnJaWEpKWkNJNklsZHNTR2hsVEZSUFdXeHpaVmRhUW1ZNU1YQmxJbjA9
在本教程中，我们将创建一个 TensorFlow Serving 服务器，部署我们在 Keras 中构建的 InceptionV3 图像分类卷积神经网络 (CNN)。 然后我们将创建一个简单的 Flask 服务器，它将接受 POST 请求并进行一些图像预处理，这是 Tensorflow 服务服务器所需的，并返回一个 JSON 响应。