я есть обученная сеть по тензорным потокам, которую я хочу использовать в gcloud ml-engine, который служит для прогнозирования.

Прогнозируемая порция gcloud ml должна принимать изображения типа float32 с пустым массивом размером 320x240x3 и возвращать 2 крошечные матрицы в качестве выходных данных.

Кто-нибудь знает, как я должен создать входные слои, которые будут принимать этот тип ввода?

Я пробовал несколько способов, например, с использованием json-файлов в кодировке base64, но приведение строки к типу с плавающей запятой приводит к ошибке, в которой она не поддерживается:

"error": "Prediction failed: Exception during model execution: LocalError(code=StatusCode.UNIMPLEMENTED, details=\"Cast string to float is not supported\n\t [[Node: ToFloat = Cast[DstT=DT_FLOAT, SrcT=DT_STRING, _output_shapes=[[-1,320,240,3]], _device=\"/job:localhost/replica:0/task:0/cpu:0\"](ParseExample/ParseExample)]]\")"

Это пример создания файла json (после сохранения приведенного выше массива в формате jpeg):

python -c 'import base64, sys, json; img = base64.b64encode(open(sys.argv[1], "rb").read()); print json.dumps({"images": {"b64": img}})' example_img.jpg &> request.json

И команды tenorflow, пытающиеся обработать ввод:

raw_str_input = tf.placeholder(tf.string, name='source')
feature_configs = {
                'image': tf.FixedLenFeature(
                    shape=[], dtype=tf.string),
            }
tf_example = tf.parse_example(raw_str_input, feature_configs)
input = tf.identity(tf.to_float(tf_example['image/encoded']), name='input')

Выше приведен пример одного из выполненных тестов, также было предпринято несколько попыток различных команд тензорного потока для обработки ввода, но ни один из них не работал ...