• 文章来源：微博   作者：陈迪豪

简介

TensorFlow是目前最流行的深度学习框架，主要支持Python和C++，最近还加入了对Java、Rust和Golang的支持。Golang也是非常流行的服务端编程语言，让Golang应用也能访问深度学习模型，对于服务端编程和智能应用带来很大的想象空间。

但现在使用Python API来构建graph和训练模型更加简单，而且大部分paper的模型也是使用Python API实现的，Golang直接访问这些TensorFlow模型文件比较困难。我们基于TensorFlow Serving和gRPC很好地解决了这个问题，基于一个跨模型的通用访问接口，实现了golang predict client，让Golang开发者可以像Python或C++应用一样“玩转”TensorFlow深度学习模型了。

关注Github的 https://github.com/tensorflow/tensorflow/issues/10 可能知道，TensorFlow已经支持Golang binding可以直接访问graph结构，但不在本文讨论范围内，想了解更多内容欢迎继续关注。

TensorFlow模型

首先我们需要编写应用来生成TensorFlow模型，所谓模型就是在TensorFlow中的graph，还有训练过程中得到的参数。这样的模型可以通过保存checkpoint得到，因为checkpoint就包含graph和参数信息，方便下次运行时加载参数继续训练。

但checkpoint格式的模型文件并不能给TensorFlow Serving直接加载，TensorFlow Serving是Google开源的高性能gRPC服务，使用C++加载TensorFlow模型文件来预测，并提供一个跨模型的通用inference接口。使用TensorFlow Serving好处就是高性能，并且提供跨语言的RPC接口，这样无论是Java、Golang甚至是Ruby都可以直接访问这些模型了。

Golang 客户端

Golang的gRPC客户端代码需要我们自己实现，通过TensorFlow Serving提供的model.proto、predict.proto和prediction_service.proto来生成protobuf和gRPC文件，而它还依赖TensorFlow项目中的TensorProto等proto定义，我们在deep_recommend_system项目中也提供了一个Shell脚本来生成。

用户需要根据不同模型的输入格式，生成对应的TensorProto对象，也就是inference时需要的多维数组格式，目前我们已经支持稠密的Tensor输入和稀疏的SparseTensor输入，基本涵盖了大部分深度学习模型。对于用户自定义的模型，可以通过exporter指定输入和输出op，不需要修改Serving源码就可以直接加载，gRPC接口和数据交换格式都是通用的，只需要在构建inference数据时传入不同的shape和预测数据即可。

目前代码已经开放到 https://github.com/tobegit3hub/deep_recommend_system/tree/master/golang_predict_client ，感谢小米网Golang团队和Github用户 @sparklxb 高质量的pull-request。如果你的业务正在使用Golang，同时也在使用TensorFlow和深度学习模型，对golang predict client有任何反馈欢迎在Github上交流。

Golang binding

TensorFlow对Golang的支持远不止提供gRPC client，如果你想在graph中对某个tensor进行保存和加载，可以参考 https://gist.github.com/helinwang/7782c6b2815c334c77653fc0e52b6069 ，最新的tensorflow package已经可以在godoc中找到 https://godoc.org/github.com/tensorflow/tensorflow/tensorflow/go 。

总结

最后总结回答一个问题，使用Golang能否玩转TensorFlow和深度学习模型？答案是Yes，但目前直接使用Golang binding去训练深度学习模型还有很多不足（构建graph的灵活性和数值计算op数量还远不如Python），但通过我们提供的golang predict client，Golang应用也可以非常灵活并且轻易地访问预训练好的TensorFlow模型了。

deep_recommend_system是一个TensorFlow模板应用，已经支持通用的CSV稠密数据和LIBSVM稀疏数据的模型训练，实现了LR、MLP、CNN和Wide and deep模型，支持checkpoint、tensorboard、dropout、learning rate decay和batch normalization等特性，还有Python、Java、Scala、Spark和Golang等客户端实例，欢迎继续关注和star https://github.com/tobegit3hub/deep_recommend_system 。