我目前正在学习一个教程，该教程介绍了如何在Google的云服务上使用基于Keras的模型与其ML-Engine一起使用。
目前，我已经成功地让模型在本地预测等方面正常工作，并且已经成功地将导出的模型放置到GC-bucket中。我还成功创建了Google云ML-Engine模型。
当我尝试从云端托管的模型上运行预测时，会产生以下错误。
错误:
C:\mydir>gcloud ml-engine predict --model=[mymodel] --json-instances=sample_input_prescaled.json { "error": "Prediction failed: Error during model execution: AbortionError(code=StatusCode.FAILED_PRECONDITION, details=\"Attempting to use uninitialized value dense_4/bias\n\t [[Node: dense_4/bias/read = Identity[T=DT_FLOAT, _class=[\"loc:@dense_4/bias\"], _output_shapes=[[1]], _device=\"/job:localhost/replica:0/task:0/cpu:0\"](dense_4/bias)]]\")" }我可以看到这个错误提到了一个未初始化的值’dense_4’，看起来像是Keras模型中的最后一层，但我不知道为什么/是否这会导致这个过程出错？
有没有人对这个错误信息的原因有见解？
以下是我从教程中使用的Keras模型，以及用于测试预测的json文件。
export_model.py
sample_input_prescaled.json
{ “input”: [0.4999, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.5] }
回答：
上面的代码使用以下输入对我来说是有效的。
X = np.random.rand(1000,9)Y = np.random.rand(1000,1)然后我使用了以下代码。
from keras import backend as K sess = K.get_session()input_tensor = model.inputoutput_tensor = model.outputoutput_tensor.eval(feed_dict={input_tensor: np.random.rand(1,9)}, session=sess) 接下来，我导出模型。在使用服务功能之前，请确保导出的模型对您有效。
export_dir = ... with tf.Session(graph=tf.Graph()) as sess: tf.saved_model.loader.load(sess, [tag_constants.TRAINING], export_dir)这样就成功了。然后，我在task.py中使用了以下服务函数来处理JSON输入，并且再次成功了。
def json_serving_input_fn(): inputs = {} for feat in 9: inputs[feat.name] = tf.placeholder(shape=[None], dtype=feat.dtype) return tf.estimator.export.ServingInputReceiver(inputs, inputs)所以，我怀疑您的输入没有正确输入。
