এমএল কমিউনিটি দিবস 9 নভেম্বর! TensorFlow, Jax থেকে আপডেটের জন্য আমাদের সাথে যোগ দিন, এবং আরও আরও জানুন

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 is 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। ছবিগুলি কম রেজোলিউশনে (২ by বাই ২ pixels পিক্সেল) পোশাকের পৃথক নিবন্ধ দেখায়, যেমন এখানে দেখা গেছে:

ফ্যাশন MNIST স্প্রাইট
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 TensorFlow থেকে সরাসরি ফ্যাশন MNIST অ্যাক্সেস করতে পারেন, শুধু তথ্য 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 [==============================] - 1s 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

আপনার মডেলকে প্রশিক্ষণ দিন এবং মূল্যায়ন করুন

আসুন সহজতম সম্ভাব্য CNN ব্যবহার করি, যেহেতু আমরা মডেলিং অংশে মনোনিবেশ 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))
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 [==============================] - 10s 2ms/step - loss: 0.5482 - sparse_categorical_accuracy: 0.8089
Epoch 2/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.4066 - sparse_categorical_accuracy: 0.8566
Epoch 3/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.3674 - sparse_categorical_accuracy: 0.8698
Epoch 4/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.3431 - sparse_categorical_accuracy: 0.8790
Epoch 5/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.3268 - sparse_categorical_accuracy: 0.8832
313/313 [==============================] - 1s 1ms/step - loss: 0.3571 - sparse_categorical_accuracy: 0.8737

Test accuracy: 0.8737000226974487

আপনার মডেল সংরক্ষণ করুন

আমরা এটি সংরক্ষণ করতে প্রথম প্রয়োজন পরিবেশন করছে TensorFlow মধ্যে আমাদের প্রশিক্ষিত মডেল লোড করার SavedModel বিন্যাস। এটি একটি সংজ্ঞায়িত ডিরেক্টরি শ্রেণিবিন্যাসে একটি প্রোটোবফ 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
WARNING:absl:Function `_wrapped_model` contains input name(s) Conv1_input with unsupported characters which will be renamed to conv1_input in the SavedModel.
2021-09-30 02:27:59.771453: 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
INFO:tensorflow:Assets written to: /tmp/1/assets
Saved model:
total 96
drwxr-xr-x 2 kbuilder kbuilder  4096 Sep 30 02:28 assets
-rw-rw-r-- 1 kbuilder kbuilder  7981 Sep 30 02:28 keras_metadata.pb
-rw-rw-r-- 1 kbuilder kbuilder 80657 Sep 30 02:28 saved_model.pb
drwxr-xr-x 2 kbuilder kbuilder  4096 Sep 30 02:28 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: True
        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
          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 #4
      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

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

TensorFlow সার্ভিং দিয়ে আপনার মডেল পরিবেশন করুন

প্যাকেজ উৎস হিসেবে 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। মনে রাখবেন আমরা রুট হিসাবে চালাচ্ছি।

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  14569      0 --:--:-- --:--:-- --:--:-- 14569
OK
Hit:1 http://asia-east1.gce.archive.ubuntu.com/ubuntu bionic InRelease
Get:2 http://asia-east1.gce.archive.ubuntu.com/ubuntu bionic-updates InRelease [88.7 kB]
Get:3 http://asia-east1.gce.archive.ubuntu.com/ubuntu bionic-backports InRelease [74.6 kB]
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]
Hit:6 https://nvidia.github.io/nvidia-docker/ubuntu18.04/amd64  InRelease
Get:7 http://storage.googleapis.com/tensorflow-serving-apt stable InRelease [3012 B]
Get:8 http://asia-east1.gce.archive.ubuntu.com/ubuntu bionic-updates/main amd64 Packages [2250 kB]
Get:9 http://asia-east1.gce.archive.ubuntu.com/ubuntu bionic-updates/universe amd64 Packages [1754 kB]
Ign:10 http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64  InRelease
Get:11 http://packages.cloud.google.com/apt google-cloud-logging-wheezy InRelease [5483 B]
Hit:12 http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64  Release
Get:13 http://security.ubuntu.com/ubuntu bionic-security InRelease [88.7 kB]
Hit:14 http://archive.canonical.com/ubuntu bionic InRelease
Get:15 https://packages.cloud.google.com/apt eip-cloud-bionic InRelease [5419 B]
Err:11 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:17 http://storage.googleapis.com/tensorflow-serving-apt stable/tensorflow-model-server amd64 Packages [341 B]
Err:15 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:18 http://storage.googleapis.com/tensorflow-serving-apt stable/tensorflow-model-server-universal amd64 Packages [348 B]
Fetched 4272 kB in 1s (4172 kB/s)



112 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: 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: 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: 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.

TensorFlow সার্ভিং ইনস্টল করুন

আপনার যা দরকার তা হল - 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
  linux-headers-5.4.0-1049-gcp linux-image-5.4.0-1049-gcp
  linux-modules-5.4.0-1049-gcp linux-modules-extra-5.4.0-1049-gcp
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 112 not upgraded.
Need to get 347 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 2.6.0 [347 MB]
Fetched 347 MB in 6s (58.6 MB/s)
Selecting previously unselected package tensorflow-model-server.
(Reading database ... 282213 files and directories currently installed.)
Preparing to unpack .../tensorflow-model-server_2.6.0_all.deb ...
Unpacking tensorflow-model-server (2.6.0) ...
Setting up tensorflow-model-server (2.6.0) ...

TensorFlow সার্ভিং চালানো শুরু করুন

এখানেই আমরা টেন্সরফ্লো সার্ভিং চালানো শুরু করি এবং আমাদের মডেলটি লোড করি। এটি লোড হওয়ার পরে আমরা REST ব্যবহার করে অনুমানের 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

টেন্সরফ্লো সার্ভিং -এ আপনার মডেলকে অনুরোধ করুন

প্রথমে, আমাদের পরীক্ষার ডেটা থেকে একটি এলোমেলো উদাহরণ দেখুন।

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, এটি আকর্ষণীয় দেখায়। এটা আপনার চিনতে কতটা কঠিন? এখন আসুন তিনটি অনুমানের অনুরোধের একটি ব্যাচের জন্য JSON অবজেক্ট তৈরি করি এবং দেখি আমাদের মডেল জিনিসগুলিকে কতটা ভালভাবে 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 নতুন সংস্করণ

আমরা আমাদের সার্ভারের REST এন্ডপয়েন্টে POST হিসাবে একটি পূর্বাভাস অনুরোধ পাঠাব এবং এটি তিনটি উদাহরণ পাস করব। আমরা একটি নির্দিষ্ট সংস্করণ উল্লেখ না করে আমাদের সার্ভারের সর্বশেষ সংস্করণটি আমাদের সার্ভারকে দিতে বলব।

!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 বিশেষ সংস্করণ

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

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]))