প্রশিক্ষণ এবং TensorFlow পরিবেশন সঙ্গে একটি TensorFlow মডেল পরিবেশন

এই নির্দেশিকাটি শ্রেণীভুক্ত করার জন্য একটি স্নায়ুর নেটওয়ার্ক মডেল ট্রেন পোশাক চিত্র, কেডস এবং শার্ট মত প্রশিক্ষণ মডেল সংরক্ষণ করুন, এবং তারপর সঙ্গে এটি স্থল TensorFlow পরিবেশন করছে । ফোকাস TensorFlow, ভজনা উপর বরং মডেলিং এবং TensorFlow প্রশিক্ষণ চেয়ে, তাই একটি সম্পূর্ণ উদাহরণ যা মডেলিং এবং প্রশিক্ষণ দেখতে উপর গুরুত্ত্ব দেয় জন্য বেসিক ক্লাসিফিকেশন উদাহরণ

এই নির্দেশিকাটি ব্যবহার tf.keras , TensorFlow মধ্যে তৈরি করুন এবং ট্রেন মডেলের একটি উচ্চ পর্যায়ের API- টি।

import sys

# Confirm that we're using Python 3
assert sys.version_info.major == 3, 'Oops, not running Python 3. Use Runtime > Change runtime type'
# TensorFlow and tf.keras
print("Installing dependencies for Colab environment")
!pip install -Uq grpcio==1.26.0

import tensorflow as tf
from tensorflow import keras

# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
import os
import subprocess

print('TensorFlow version: {}'.format(tf.__version__))

আপনার মডেল তৈরি করুন

ফ্যাশন MNIST ডেটাসেট আমদানি করুন

এই নির্দেশিকাটি ব্যবহার ফ্যাশন MNIST ডেটা সেটটি যা 10 শ্রেণিবিভাগ 70,000 গ্রেস্কেল চিত্র ধারণ করে। চিত্রগুলি কম রেজোলিউশনে পোশাকের পৃথক প্রবন্ধ দেখায় (28 বাই 28 পিক্সেল), যেমনটি এখানে দেখা হয়েছে:

ফ্যাশন MNIST পরী
চিত্র 1. ফ্যাশান-MNIST নমুনা (Zalando এমআইটি লাইসেন্স দ্বারা)।

ফ্যাশন MNIST সর্বোত্তম জন্য একটি ড্রপ ইন পরিবর্তে দেয়ার উদ্দেশ্যে করা হচ্ছে MNIST ডেটা সেটটি-প্রায়ই কম্পিউটার ভিশন জন্য মেশিন লার্নিং প্রোগ্রামের "হ্যালো, ওয়ার্ল্ড" হিসেবে ব্যবহার করা হয়েছে। আপনি টেনসরফ্লো থেকে সরাসরি ফ্যাশন এমএনআইএসটি অ্যাক্সেস করতে পারেন, শুধু ডেটা আমদানি করুন এবং লোড করুন।

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

# scale the values to 0.0 to 1.0
train_images = train_images / 255.0
test_images = test_images / 255.0

# reshape for feeding into the model
train_images = train_images.reshape(train_images.shape[0], 28, 28, 1)
test_images = test_images.reshape(test_images.shape[0], 28, 28, 1)

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

print('\ntrain_images.shape: {}, of {}'.format(train_images.shape, train_images.dtype))
print('test_images.shape: {}, of {}'.format(test_images.shape, test_images.dtype))
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
32768/29515 [=================================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz
26427392/26421880 [==============================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
8192/5148 [===============================================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
4423680/4422102 [==============================] - 0s 0us/step

train_images.shape: (60000, 28, 28, 1), of float64
test_images.shape: (10000, 28, 28, 1), of float64

প্রশিক্ষণ এবং আপনার মডেল মূল্যায়ন

আসুন সহজতম সম্ভাব্য CNN ব্যবহার করি, যেহেতু আমরা মডেলিং অংশে ফোকাস করছি না।

model = keras.Sequential([
  keras.layers.Conv2D(input_shape=(28,28,1), filters=8, kernel_size=3, 
                      strides=2, activation='relu', name='Conv1'),
  keras.layers.Flatten(),
  keras.layers.Dense(10, name='Dense')
])
model.summary()

testing = False
epochs = 5

model.compile(optimizer='adam', 
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=[keras.metrics.SparseCategoricalAccuracy()])
model.fit(train_images, train_labels, epochs=epochs)

test_loss, test_acc = model.evaluate(test_images, test_labels)
print('\nTest accuracy: {}'.format(test_acc))
2021-12-04 10:29:34.128871: W tensorflow/stream_executor/platform/default/dso_loader.cc:60] Could not load dynamic library 'libcusolver.so.10'; dlerror: libcusolver.so.10: cannot open shared object file: No such file or directory
2021-12-04 10:29:34.129907: W tensorflow/core/common_runtime/gpu/gpu_device.cc:1757] Cannot dlopen some GPU libraries. Please make sure the missing libraries mentioned above are installed properly if you would like to use GPU. Follow the guide at https://www.tensorflow.org/install/gpu for how to download and setup the required libraries for your platform.
Skipping registering GPU devices...
Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
Conv1 (Conv2D)               (None, 13, 13, 8)         80        
_________________________________________________________________
flatten (Flatten)            (None, 1352)              0         
_________________________________________________________________
Dense (Dense)                (None, 10)                13530     
=================================================================
Total params: 13,610
Trainable params: 13,610
Non-trainable params: 0
_________________________________________________________________
Epoch 1/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.7204 - sparse_categorical_accuracy: 0.7549
Epoch 2/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.3997 - sparse_categorical_accuracy: 0.8611
Epoch 3/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.3580 - sparse_categorical_accuracy: 0.8754
Epoch 4/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.3399 - sparse_categorical_accuracy: 0.8780
Epoch 5/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.3232 - sparse_categorical_accuracy: 0.8849
313/313 [==============================] - 0s 1ms/step - loss: 0.3586 - sparse_categorical_accuracy: 0.8738

Test accuracy: 0.8737999796867371

আপনার মডেল সংরক্ষণ করুন

আমরা এটি সংরক্ষণ করতে প্রথম প্রয়োজন পরিবেশন করছে TensorFlow মধ্যে আমাদের প্রশিক্ষিত মডেল লোড করার SavedModel বিন্যাস। এটি একটি ভাল-সংজ্ঞায়িত ডিরেক্টরি অনুক্রমের মধ্যে একটি প্রোটোবাফ ফাইল তৈরি করবে এবং একটি সংস্করণ নম্বর অন্তর্ভুক্ত করবে। TensorFlow ভজনা আমাদের একটি মডেল কোন সংস্করণটি, বা "পরিবেশনযোগ্য" আমরা ব্যবহার করতে যখন আমরা অনুমান অনুরোধ করতে চান তা নির্বাচন করতে পারেন। প্রতিটি সংস্করণ প্রদত্ত পথের অধীনে একটি ভিন্ন সাব-ডিরেক্টরিতে রপ্তানি করা হবে।

# Fetch the Keras session and save the model
# The signature definition is defined by the input and output tensors,
# and stored with the default serving key
import tempfile

MODEL_DIR = tempfile.gettempdir()
version = 1
export_path = os.path.join(MODEL_DIR, str(version))
print('export_path = {}\n'.format(export_path))

tf.keras.models.save_model(
    model,
    export_path,
    overwrite=True,
    include_optimizer=True,
    save_format=None,
    signatures=None,
    options=None
)

print('\nSaved model:')
!ls -l {export_path}
export_path = /tmp/1
2021-12-04 10:29:53.392905: W tensorflow/python/util/util.cc:348] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them.
INFO:tensorflow:Assets written to: /tmp/1/assets

Saved model:
total 88
drwxr-xr-x 2 kbuilder kbuilder  4096 Dec  4 10:29 assets
-rw-rw-r-- 1 kbuilder kbuilder 78055 Dec  4 10:29 saved_model.pb
drwxr-xr-x 2 kbuilder kbuilder  4096 Dec  4 10:29 variables

আপনার সংরক্ষিত মডেল পরীক্ষা করুন

আমরা কমান্ড লাইন ইউটিলিটি ব্যবহার করব saved_model_cli তাকান MetaGraphDefs (মডেল) এবং SignatureDefs (পদ্ধতি আপনি কল করতে পারেন) আমাদের SavedModel হবে। দেখুন SavedModel CLI এই আলোচনা TensorFlow গাইডে।

saved_model_cli show --dir {export_path} --all
MetaGraphDef with tag-set: 'serve' contains the following SignatureDefs:

signature_def['__saved_model_init_op']:
  The given SavedModel SignatureDef contains the following input(s):
  The given SavedModel SignatureDef contains the following output(s):
    outputs['__saved_model_init_op'] tensor_info:
        dtype: DT_INVALID
        shape: unknown_rank
        name: NoOp
  Method name is: 

signature_def['serving_default']:
  The given SavedModel SignatureDef contains the following input(s):
    inputs['Conv1_input'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 28, 28, 1)
        name: serving_default_Conv1_input:0
  The given SavedModel SignatureDef contains the following output(s):
    outputs['Dense'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 10)
        name: StatefulPartitionedCall:0
  Method name is: tensorflow/serving/predict

Defined Functions:
  Function Name: '__call__'
    Option #1
      Callable with:
        Argument #1
          Conv1_input: TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='Conv1_input')
        Argument #2
          DType: bool
          Value: False
        Argument #3
          DType: NoneType
          Value: None
    Option #2
      Callable with:
        Argument #1
          inputs: TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='inputs')
        Argument #2
          DType: bool
          Value: False
        Argument #3
          DType: NoneType
          Value: None
    Option #3
      Callable with:
        Argument #1
          inputs: TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='inputs')
        Argument #2
          DType: bool
          Value: True
        Argument #3
          DType: NoneType
          Value: None
    Option #4
      Callable with:
        Argument #1
          Conv1_input: TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='Conv1_input')
        Argument #2
          DType: bool
          Value: True
        Argument #3
          DType: NoneType
          Value: None

  Function Name: '_default_save_signature'
    Option #1
      Callable with:
        Argument #1
          Conv1_input: TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='Conv1_input')

  Function Name: 'call_and_return_all_conditional_losses'
    Option #1
      Callable with:
        Argument #1
          inputs: TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='inputs')
        Argument #2
          DType: bool
          Value: False
        Argument #3
          DType: NoneType
          Value: None
    Option #2
      Callable with:
        Argument #1
          Conv1_input: TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='Conv1_input')
        Argument #2
          DType: bool
          Value: True
        Argument #3
          DType: NoneType
          Value: None
    Option #3
      Callable with:
        Argument #1
          Conv1_input: TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='Conv1_input')
        Argument #2
          DType: bool
          Value: False
        Argument #3
          DType: NoneType
          Value: None
    Option #4
      Callable with:
        Argument #1
          inputs: TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32, name='inputs')
        Argument #2
          DType: bool
          Value: True
        Argument #3
          DType: NoneType
          Value: None

যে আমাদের মডেল সম্পর্কে আমাদের অনেক কিছু বলে! এই ক্ষেত্রে আমরা কেবল আমাদের মডেলকে প্রশিক্ষণ দিয়েছি, তাই আমরা ইতিমধ্যেই ইনপুট এবং আউটপুটগুলি জানি, কিন্তু যদি আমরা তা না করি তবে এটি গুরুত্বপূর্ণ তথ্য হবে। এটি আমাদের সবকিছু বলে না, যেমন এটি গ্রেস্কেল ইমেজ ডেটা উদাহরণস্বরূপ, তবে এটি একটি দুর্দান্ত শুরু।

TensorFlow সার্ভিং দিয়ে আপনার মডেল পরিবেশন করুন

প্যাকেজ উত্স হিসাবে TensorFlow সার্ভিং ডিস্ট্রিবিউশন URI যোগ করুন:

আমরা TensorFlow ব্যবহার পরিবেশন করছে ইনস্টল করতে প্রস্তুত করছি অ্যাপটিচিউড যেহেতু এই Colab একটি ডেবিয়ান পরিবেশে রান। আমরা যুক্ত করতে হবে tensorflow-model-server প্যাকেজ যে অ্যাপটিচিউড বিষয়ে জানেন তালিকায় প্যাকেজ। নোট করুন যে আমরা রুট হিসাবে চলমান করছি।

import sys
# We need sudo prefix if not on a Google Colab.
if 'google.colab' not in sys.modules:
  SUDO_IF_NEEDED = 'sudo'
else:
  SUDO_IF_NEEDED = ''
# This is the same as you would do from your command line, but without the [arch=amd64], and no sudo
# You would instead do:
# echo "deb [arch=amd64] http://storage.googleapis.com/tensorflow-serving-apt stable tensorflow-model-server tensorflow-model-server-universal" | sudo tee /etc/apt/sources.list.d/tensorflow-serving.list && \
# curl https://storage.googleapis.com/tensorflow-serving-apt/tensorflow-serving.release.pub.gpg | sudo apt-key add -

!echo "deb http://storage.googleapis.com/tensorflow-serving-apt stable tensorflow-model-server tensorflow-model-server-universal" | {SUDO_IF_NEEDED} tee /etc/apt/sources.list.d/tensorflow-serving.list && \
curl https://storage.googleapis.com/tensorflow-serving-apt/tensorflow-serving.release.pub.gpg | {SUDO_IF_NEEDED} apt-key add -
!{SUDO_IF_NEEDED} apt update
deb http://storage.googleapis.com/tensorflow-serving-apt stable tensorflow-model-server tensorflow-model-server-universal
  % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
100  2943  100  2943    0     0  15571      0 --:--:-- --:--:-- --:--:-- 15571
OK
Hit:1 http://asia-east1.gce.archive.ubuntu.com/ubuntu bionic InRelease
Hit:2 http://asia-east1.gce.archive.ubuntu.com/ubuntu bionic-updates InRelease
Hit:3 http://asia-east1.gce.archive.ubuntu.com/ubuntu bionic-backports InRelease
Hit:4 https://nvidia.github.io/libnvidia-container/stable/ubuntu18.04/amd64  InRelease
Get:5 https://nvidia.github.io/nvidia-container-runtime/ubuntu18.04/amd64  InRelease [1481 B]
Get:6 https://nvidia.github.io/nvidia-docker/ubuntu18.04/amd64  InRelease [1474 B]
Ign:7 http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64  InRelease
Get:8 http://storage.googleapis.com/tensorflow-serving-apt stable InRelease [3012 B]
Hit:9 http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64  Release
Get:10 http://security.ubuntu.com/ubuntu bionic-security InRelease [88.7 kB]
Get:11 https://packages.cloud.google.com/apt eip-cloud-bionic InRelease [5419 B]
Get:12 http://packages.cloud.google.com/apt google-cloud-logging-wheezy InRelease [5483 B]
Hit:13 http://archive.canonical.com/ubuntu bionic InRelease
Err:11 https://packages.cloud.google.com/apt eip-cloud-bionic InRelease
  The following signatures couldn't be verified because the public key is not available: NO_PUBKEY FEEA9169307EA071 NO_PUBKEY 8B57C5C2836F4BEB
Get:15 http://storage.googleapis.com/tensorflow-serving-apt stable/tensorflow-model-server amd64 Packages [339 B]
Err:12 http://packages.cloud.google.com/apt google-cloud-logging-wheezy InRelease
  The following signatures couldn't be verified because the public key is not available: NO_PUBKEY FEEA9169307EA071 NO_PUBKEY 8B57C5C2836F4BEB
Get:16 http://storage.googleapis.com/tensorflow-serving-apt stable/tensorflow-model-server-universal amd64 Packages [348 B]
Fetched 106 kB in 1s (103 kB/s)



119 packages can be upgraded. Run 'apt list --upgradable' to see them.
W: An error occurred during the signature verification. The repository is not updated and the previous index files will be used. GPG error: https://packages.cloud.google.com/apt eip-cloud-bionic InRelease: The following signatures couldn't be verified because the public key is not available: NO_PUBKEY FEEA9169307EA071 NO_PUBKEY 8B57C5C2836F4BEB
W: An error occurred during the signature verification. The repository is not updated and the previous index files will be used. GPG error: http://packages.cloud.google.com/apt google-cloud-logging-wheezy InRelease: The following signatures couldn't be verified because the public key is not available: NO_PUBKEY FEEA9169307EA071 NO_PUBKEY 8B57C5C2836F4BEB
W: Failed to fetch https://packages.cloud.google.com/apt/dists/eip-cloud-bionic/InRelease  The following signatures couldn't be verified because the public key is not available: NO_PUBKEY FEEA9169307EA071 NO_PUBKEY 8B57C5C2836F4BEB
W: Failed to fetch http://packages.cloud.google.com/apt/dists/google-cloud-logging-wheezy/InRelease  The following signatures couldn't be verified because the public key is not available: NO_PUBKEY FEEA9169307EA071 NO_PUBKEY 8B57C5C2836F4BEB
W: Some index files failed to download. They have been ignored, or old ones used instead.

টেনসরফ্লো সার্ভিং ইনস্টল করুন

এটি আপনার প্রয়োজন - একটি কমান্ড লাইন!

{SUDO_IF_NEEDED} apt-get install tensorflow-model-server
The following packages were automatically installed and are no longer required:
  linux-gcp-5.4-headers-5.4.0-1040 linux-gcp-5.4-headers-5.4.0-1043
  linux-gcp-5.4-headers-5.4.0-1044 linux-gcp-5.4-headers-5.4.0-1049
Use 'sudo apt autoremove' to remove them.
The following NEW packages will be installed:
  tensorflow-model-server
0 upgraded, 1 newly installed, 0 to remove and 119 not upgraded.
Need to get 335 MB of archives.
After this operation, 0 B of additional disk space will be used.
Get:1 http://storage.googleapis.com/tensorflow-serving-apt stable/tensorflow-model-server amd64 tensorflow-model-server all 2.7.0 [335 MB]
Fetched 335 MB in 7s (45.2 MB/s)
Selecting previously unselected package tensorflow-model-server.
(Reading database ... 264341 files and directories currently installed.)
Preparing to unpack .../tensorflow-model-server_2.7.0_all.deb ...
Unpacking tensorflow-model-server (2.7.0) ...
Setting up tensorflow-model-server (2.7.0) ...

টেনসরফ্লো সার্ভিং চালানো শুরু করুন

এখানেই আমরা টেনসরফ্লো সার্ভিং চালানো শুরু করি এবং আমাদের মডেল লোড করি। এটি লোড হওয়ার পরে আমরা REST ব্যবহার করে অনুমান অনুরোধ করা শুরু করতে পারি। কিছু গুরুত্বপূর্ণ পরামিতি আছে:

  • rest_api_port : বন্দর যে তোমাদের বিশ্রাম অনুরোধের জন্য ব্যবহার করব।
  • model_name : তোমাদের বিশ্রাম অনুরোধের URL- এ এটি ব্যবহার করবেন। এটা যে কোন কিছু হতে পারে।
  • model_base_path এই ডিরেক্টরির যেখানে আপনি আপনার মডেল সংরক্ষণ করেছেন পথ।
os.environ["MODEL_DIR"] = MODEL_DIR
nohup tensorflow_model_server \
  --rest_api_port=8501 \
  --model_name=fashion_model \
  --model_base_path="${MODEL_DIR}" >server.log 2>&1
tail server.log

TensorFlow সার্ভিং-এ আপনার মডেলকে একটি অনুরোধ করুন

প্রথমে, আমাদের পরীক্ষার ডেটা থেকে একটি এলোমেলো উদাহরণ দেখে নেওয়া যাক।

def show(idx, title):
  plt.figure()
  plt.imshow(test_images[idx].reshape(28,28))
  plt.axis('off')
  plt.title('\n\n{}'.format(title), fontdict={'size': 16})

import random
rando = random.randint(0,len(test_images)-1)
show(rando, 'An Example Image: {}'.format(class_names[test_labels[rando]]))

png

ঠিক আছে, যে আকর্ষণীয় দেখায়. এটা চিনতে আপনার জন্য কতটা কঠিন? এখন আসুন তিনটি অনুমান অনুরোধের একটি ব্যাচের জন্য JSON অবজেক্ট তৈরি করুন এবং দেখুন আমাদের মডেল জিনিসগুলিকে কতটা চিনতে পারে:

import json
data = json.dumps({"signature_name": "serving_default", "instances": test_images[0:3].tolist()})
print('Data: {} ... {}'.format(data[:50], data[len(data)-52:]))
Data: {"signature_name": "serving_default", "instances": ...  [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]]]]}

REST অনুরোধ করুন

পরিবেশনযোগ্য এর সর্বশেষ সংস্করণ

আমরা আমাদের সার্ভারের REST এন্ডপয়েন্টে একটি POST হিসাবে একটি ভবিষ্যদ্বাণী অনুরোধ পাঠাব, এবং এটি তিনটি উদাহরণ পাস করব৷ আমরা আমাদের সার্ভারকে একটি নির্দিষ্ট সংস্করণ উল্লেখ না করে আমাদের পরিবেশনের সর্বশেষ সংস্করণটি দিতে বলব৷

# docs_infra: no_execute
!pip install -q requests

import requests
headers = {"content-type": "application/json"}
json_response = requests.post('http://localhost:8501/v1/models/fashion_model:predict', data=data, headers=headers)
predictions = json.loads(json_response.text)['predictions']

show(0, 'The model thought this was a {} (class {}), and it was actually a {} (class {})'.format(
  class_names[np.argmax(predictions[0])], np.argmax(predictions[0]), class_names[test_labels[0]], test_labels[0]))

পরিবেশনযোগ্য একটি নির্দিষ্ট সংস্করণ

এখন আমাদের servable এর একটি নির্দিষ্ট সংস্করণ উল্লেখ করা যাক। যেহেতু আমাদের শুধুমাত্র একটি আছে, আসুন সংস্করণ 1 নির্বাচন করি। আমরা তিনটি ফলাফলও দেখব।

# docs_infra: no_execute
headers = {"content-type": "application/json"}
json_response = requests.post('http://localhost:8501/v1/models/fashion_model/versions/1:predict', data=data, headers=headers)
predictions = json.loads(json_response.text)['predictions']

for i in range(0,3):
  show(i, 'The model thought this was a {} (class {}), and it was actually a {} (class {})'.format(
    class_names[np.argmax(predictions[i])], np.argmax(predictions[i]), class_names[test_labels[i]], test_labels[i]))