本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# TensorFlow 服務
<a name="tutorial-tfserving"></a>

[TensorFlow 服務](https://www.tensorflow.org/tfx/guide/serving)是提供機器學習模型的靈活、高效能服務系統。

`tensorflow-serving-api` 預先安裝了單一架構 DLAMI。若要使用張量流程服務，請先啟用 TensorFlow 環境。

```
$ source /opt/tensorflow/bin/activate
```

然後，使用您慣用的文字編輯器來建立具有下列內容的指令碼。將其命名為 `test_train_mnist.py`。此指令碼參考自 [TensorFlow 教學課程](https://github.com/tensorflow/docs/blob/master/site/en/tutorials/quickstart/beginner.ipynb)，該教學課程將訓練和評估分類影像的神經網路機器學習模型。

```
import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)
```

現在執行此指令碼，將伺服器位置和連接埠以及哈士奇相片的檔案名稱當做參數傳遞。

```
$ /opt/tensorflow/bin/python3 test_train_mnist.py
```

 請耐心等待，因為指令碼可能需要一些時間才能提供輸出。訓練完成後，您應該會看到以下內容：

```
I0000 00:00:1739482012.389276    4284 device_compiler.h:188] Compiled cluster using XLA!  This line is logged at most once for the lifetime of the process.
1875/1875 [==============================] - 24s 2ms/step - loss: 0.2973 - accuracy: 0.9134 
Epoch 2/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.1422 - accuracy: 0.9582
Epoch 3/5
1875/1875 [==============================] - 3s 1ms/step - loss: 0.1076 - accuracy: 0.9687
Epoch 4/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.0872 - accuracy: 0.9731
Epoch 5/5
1875/1875 [==============================] - 3s 1ms/step - loss: 0.0731 - accuracy: 0.9771
313/313 [==============================] - 0s 1ms/step - loss: 0.0749 - accuracy: 0.9780
```

## 更多功能和範例
<a name="tutorial-tfserving-project"></a>

如果您想要進一步了解 TensorFlow 服務，請參閱 [TensorFlow 網站](https://www.tensorflow.org/serving/)。