Azure AKS Tensorflow Deep MNIST
In this example we will deploy a tensorflow MNIST model in the Azure Kubernetes Service (AKS).
This tutorial will break down in the following sections:
Train a tensorflow model to predict mnist locally
Containerise the tensorflow model with our docker utility
Send some data to the docker model to test it
Install and configure Azure tools to interact with your cluster
Use the Azure tools to create and setup AKS cluster with Seldon
Push and run docker image through the Azure Container Registry
Test our Elastic Kubernetes deployment by sending some data
Let's get started! 🚀🔥
Dependencies:
Helm v3.0.0+
A Kubernetes cluster running v1.13 or above (minkube / docker-for-windows work well if enough RAM)
kubectl v1.14+
az CLI v2.0.66+
Python 3.6+
Python DEV requirements
1) Train a tensorflow model to predict mnist locally
We will load the mnist images, together with their labels, and then train a tensorflow model to predict the right labels
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import tensorflow as tf
if __name__ == "__main__":
x = tf.placeholder(tf.float32, [None, 784], name="x")
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b, name="y")
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(
-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])
)
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
saver = tf.train.Saver()
saver.save(sess, "model/deep_mnist_model")WARNING:tensorflow:From <ipython-input-1-559b63ab8b48>:2: read_data_sets (from tensorflow.contrib.learn.python.learn.datasets.mnist) is deprecated and will be removed in a future version.
Instructions for updating:
Please use alternatives such as official/mnist/dataset.py from tensorflow/models.
WARNING:tensorflow:From /home/alejandro/miniconda3/envs/reddit-classification/lib/python3.7/site-packages/tensorflow/contrib/learn/python/learn/datasets/mnist.py:260: maybe_download (from tensorflow.contrib.learn.python.learn.datasets.base) is deprecated and will be removed in a future version.
Instructions for updating:
Please write your own downloading logic.
WARNING:tensorflow:From /home/alejandro/miniconda3/envs/reddit-classification/lib/python3.7/site-packages/tensorflow/contrib/learn/python/learn/datasets/base.py:252: _internal_retry.<locals>.wrap.<locals>.wrapped_fn (from tensorflow.contrib.learn.python.learn.datasets.base) is deprecated and will be removed in a future version.
Instructions for updating:
Please use urllib or similar directly.
Successfully downloaded train-images-idx3-ubyte.gz 9912422 bytes.
WARNING:tensorflow:From /home/alejandro/miniconda3/envs/reddit-classification/lib/python3.7/site-packages/tensorflow/contrib/learn/python/learn/datasets/mnist.py:262: extract_images (from tensorflow.contrib.learn.python.learn.datasets.mnist) is deprecated and will be removed in a future version.
Instructions for updating:
Please use tf.data to implement this functionality.
Extracting MNIST_data/train-images-idx3-ubyte.gz
Successfully downloaded train-labels-idx1-ubyte.gz 28881 bytes.
WARNING:tensorflow:From /home/alejandro/miniconda3/envs/reddit-classification/lib/python3.7/site-packages/tensorflow/contrib/learn/python/learn/datasets/mnist.py:267: extract_labels (from tensorflow.contrib.learn.python.learn.datasets.mnist) is deprecated and will be removed in a future version.
Instructions for updating:
Please use tf.data to implement this functionality.
Extracting MNIST_data/train-labels-idx1-ubyte.gz
WARNING:tensorflow:From /home/alejandro/miniconda3/envs/reddit-classification/lib/python3.7/site-packages/tensorflow/contrib/learn/python/learn/datasets/mnist.py:110: dense_to_one_hot (from tensorflow.contrib.learn.python.learn.datasets.mnist) is deprecated and will be removed in a future version.
Instructions for updating:
Please use tf.one_hot on tensors.
Successfully downloaded t10k-images-idx3-ubyte.gz 1648877 bytes.
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Successfully downloaded t10k-labels-idx1-ubyte.gz 4542 bytes.
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
WARNING:tensorflow:From /home/alejandro/miniconda3/envs/reddit-classification/lib/python3.7/site-packages/tensorflow/contrib/learn/python/learn/datasets/mnist.py:290: DataSet.__init__ (from tensorflow.contrib.learn.python.learn.datasets.mnist) is deprecated and will be removed in a future version.
Instructions for updating:
Please use alternatives such as official/mnist/dataset.py from tensorflow/models.
WARNING:tensorflow:From /home/alejandro/miniconda3/envs/reddit-classification/lib/python3.7/site-packages/tensorflow/python/framework/op_def_library.py:263: colocate_with (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version.
Instructions for updating:
Colocations handled automatically by placer.
WARNING:tensorflow:From /home/alejandro/miniconda3/envs/reddit-classification/lib/python3.7/site-packages/tensorflow/python/ops/math_ops.py:3066: to_int32 (from tensorflow.python.ops.math_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use tf.cast instead.
WARNING:tensorflow:From /home/alejandro/miniconda3/envs/reddit-classification/lib/python3.7/site-packages/tensorflow/python/util/tf_should_use.py:193: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02.
Instructions for updating:
Use `tf.global_variables_initializer` instead.
0.9152) Containerise the tensorflow model with our docker utility
First you need to make sure that you have added the .s2i/environment configuration file in this folder with the following content:
!cat .s2i/environmentMODEL_NAME=DeepMnist
API_TYPE=REST
SERVICE_TYPE=MODEL
PERSISTENCE=0Now we can build a docker image named "deep-mnist" with the tag 0.1
!s2i build . seldonio/seldon-core-s2i-python37:1.19.0-dev deep-mnist:0.1---> Installing application source...
---> Installing dependencies ...
Looking in links: /whl
Requirement already satisfied: tensorflow>=1.12.0 in /usr/local/lib/python3.6/site-packages (from -r requirements.txt (line 1)) (1.13.1)
Requirement already satisfied: keras-preprocessing>=1.0.5 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (1.0.9)
Requirement already satisfied: gast>=0.2.0 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (0.2.2)
Requirement already satisfied: absl-py>=0.1.6 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (0.7.1)
Requirement already satisfied: astor>=0.6.0 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (0.7.1)
Requirement already satisfied: keras-applications>=1.0.6 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (1.0.7)
Requirement already satisfied: six>=1.10.0 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (1.12.0)
Requirement already satisfied: termcolor>=1.1.0 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (1.1.0)
Requirement already satisfied: grpcio>=1.8.6 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (1.19.0)
Requirement already satisfied: wheel>=0.26 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (0.33.1)
Requirement already satisfied: tensorboard<1.14.0,>=1.13.0 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (1.13.1)
Requirement already satisfied: numpy>=1.13.3 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (1.16.2)
Requirement already satisfied: protobuf>=3.6.1 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (3.7.0)
Requirement already satisfied: tensorflow-estimator<1.14.0rc0,>=1.13.0 in /usr/local/lib/python3.6/site-packages (from tensorflow>=1.12.0->-r requirements.txt (line 1)) (1.13.0)
Requirement already satisfied: h5py in /usr/local/lib/python3.6/site-packages (from keras-applications>=1.0.6->tensorflow>=1.12.0->-r requirements.txt (line 1)) (2.9.0)
Requirement already satisfied: markdown>=2.6.8 in /usr/local/lib/python3.6/site-packages (from tensorboard<1.14.0,>=1.13.0->tensorflow>=1.12.0->-r requirements.txt (line 1)) (3.0.1)
Requirement already satisfied: werkzeug>=0.11.15 in /usr/local/lib/python3.6/site-packages (from tensorboard<1.14.0,>=1.13.0->tensorflow>=1.12.0->-r requirements.txt (line 1)) (0.15.0)
Requirement already satisfied: setuptools in /usr/local/lib/python3.6/site-packages (from protobuf>=3.6.1->tensorflow>=1.12.0->-r requirements.txt (line 1)) (40.8.0)
Requirement already satisfied: mock>=2.0.0 in /usr/local/lib/python3.6/site-packages (from tensorflow-estimator<1.14.0rc0,>=1.13.0->tensorflow>=1.12.0->-r requirements.txt (line 1)) (2.0.0)
Requirement already satisfied: pbr>=0.11 in /usr/local/lib/python3.6/site-packages (from mock>=2.0.0->tensorflow-estimator<1.14.0rc0,>=1.13.0->tensorflow>=1.12.0->-r requirements.txt (line 1)) (5.1.3)
Url '/whl' is ignored. It is either a non-existing path or lacks a specific scheme.
You are using pip version 19.0.3, however version 19.1.1 is available.
You should consider upgrading via the 'pip install --upgrade pip' command.
Build completed successfully3) Send some data to the docker model to test it
We first run the docker image we just created as a container called "mnist_predictor"
!docker run --name "mnist_predictor" -d --rm -p 5000:5000 deep-mnist:0.19087047e368ac8f285e1f742704b4c0c7bceac7d29ee90b3b0a6ef2d61ebd15cSend some random features that conform to the contract
import matplotlib.pyplot as plt
import numpy as np
# This is the variable that was initialised at the beginning of the file
i = [0]
x = mnist.test.images[i]
y = mnist.test.labels[i]
plt.imshow(x.reshape((28, 28)), cmap="gray")
plt.show()
print("Expected label: ", np.sum(range(0, 10) * y), ". One hot encoding: ", y)
Expected label: 7.0 . One hot encoding: [[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]]import math
import numpy as np
from seldon_core.seldon_client import SeldonClient
# We now test the REST endpoint expecting the same result
endpoint = "0.0.0.0:5000"
batch = x
payload_type = "ndarray"
sc = SeldonClient(microservice_endpoint=endpoint)
# We use the microservice, instead of the "predict" function
client_prediction = sc.microservice(
data=batch, method="predict", payload_type=payload_type, names=["tfidf"]
)
for proba, label in zip(
client_prediction.response.data.ndarray.values[0].list_value.ListFields()[0][1],
range(0, 10),
):
print(f"LABEL {label}:\t {proba.number_value*100:6.4f} %")LABEL 0: 0.0064 %
LABEL 1: 0.0000 %
LABEL 2: 0.0155 %
LABEL 3: 0.2862 %
LABEL 4: 0.0003 %
LABEL 5: 0.0027 %
LABEL 6: 0.0000 %
LABEL 7: 99.6643 %
LABEL 8: 0.0020 %
LABEL 9: 0.0227 %!docker rm mnist_predictor --forcemnist_predictor4) Install and configure Azure tools
First we install the azure cli - follow specific instructions at https://docs.microsoft.com/en-us/cli/azure/install-azure-cli?view=azure-cli-latest
!curl -sL https://aka.ms/InstallAzureCLIDeb | sudo bashConfigure the azure CLI so it can talk to your server
(if you are getting issues, make sure you have the permmissions to create clusters)
You must run this through a terminal and follow the instructions:
az loginOnce you are logged in, we can create our cluster. Run the following command, it may take a while so feel free to get a ☕.
%%bash
# We'll create a resource group
az group create --name SeldonResourceGroup --location westus
# Now we create the cluster
az aks create \
--resource-group SeldonResourceGroup \
--name SeldonCluster \
--node-count 1 \
--enable-addons monitoring \
--generate-ssh-keys
--kubernetes-version 1.13.5Once it's created we can authenticate our local kubectl to make sure we can talk to the azure cluster:
!az aks get-credentials --resource-group SeldonResourceGroup --name SeldonClusterAnd now we can check that this has been successful by making sure that our kubectl context is pointing to the cluster:
!kubectl config get-contextsSetup Seldon Core
Use the setup notebook to Setup Cluster with Ambassador Ingress and Install Seldon Core. Instructions also online.
Push docker image
In order for the EKS seldon deployment to access the image we just built, we need to push it to the Azure Container Registry (ACR) - you can check if it's been successfully created in the dashboard https://portal.azure.com/#blade/HubsExtension/BrowseResourceBlade/resourceType/Microsoft.ContainerRegistry%2Fregistries
If you have any issues please follow the official Azure documentation: https://docs.microsoft.com/en-us/azure/container-registry/container-registry-get-started-azure-cli
First we create a registry
Make sure you keep the loginServer value in the output dictionary as we'll use it below.
!az acr create --resource-group SeldonResourceGroup --name SeldonContainerRegistry --sku Basic[K{- Finished ..
"adminUserEnabled": false,
"creationDate": "2019-06-06T10:51:55.288108+00:00",
"id": "/subscriptions/df7969cc-8033-4c83-b027-14c0424f039d/resourceGroups/KlawClusterResourceGroup/providers/Microsoft.ContainerRegistry/registries/SeldonContainerRegistry",
"location": "westus",
"loginServer": "seldoncontainerregistry.azurecr.io",
"name": "SeldonContainerRegistry",
"networkRuleSet": null,
"provisioningState": "Succeeded",
"resourceGroup": "KlawClusterResourceGroup",
"sku": {
"name": "Basic",
"tier": "Basic"
},
"status": null,
"storageAccount": null,
"tags": {},
"type": "Microsoft.ContainerRegistry/registries"
}
[0mMake sure your local docker instance has access to the registry
!az acr login --name SeldonContainerRegistryLogin Succeeded
WARNING! Your password will be stored unencrypted in /home/alejandro/.docker/config.json.
Configure a credential helper to remove this warning. See
https://docs.docker.com/engine/reference/commandline/login/#credentials-storeNow prepare docker image
We need to first tag the docker image before we can push it.
NOTE: if you named your registry different make sure you change the value of seldoncontainerregistry.azurecr.io
!docker tag deep-mnist:0.1 seldoncontainerregistry.azurecr.io/deep-mnist:0.1And push the image
NOTE: if you named your registry different make sure you change the value of seldoncontainerregistry.azurecr.io
!docker push seldoncontainerregistry.azurecr.io/deep-mnist:0.1The push refers to repository [seldoncontainerregistry.azurecr.io/deep-mnist]
[1Bb4fe3076: Preparing
[1Be4a983d1: Preparing
[1B74b2c556: Preparing
[1B9472b523: Preparing
[1Ba2a7ea60: Preparing
[1Beddb328a: Preparing
[1B1393f8e7: Preparing
[1B67d6e30e: Preparing
[1Bf19da2c9: Preparing
[1B9ec591c4: Preparing
[1B32b1ff99: Preparing
[1B64f96dbc: Preparing
[1Be6d76fd9: Preparing
[1B11a84ad4: Preparing
[13B4b2c556: Pushing 187.1MB/648.8MB[14A[1K[K[12A[1K[K[15A[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[15A[1K[K[15A[1K[K[13A[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[11A[1K[K[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[15A[1K[K[11A[1K[K[13A[1K[K[15A[1K[K[11A[1K[K[14A[1K[K[12A[1K[K[11A[1K[K[15A[1K[K[13A[1K[K[15A[1K[K[15A[1K[K[11A[1K[K[11A[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[15A[1K[K[15A[1K[K[15A[1K[K[13A[1K[K[15A[1K[K[15A[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[13A[1K[K[15A[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[15A[1K[K[11A[1K[K[15A[1K[K[11A[1K[K[11A[1K[K[11A[1K[K[13A[1K[K[11A[1K[K[11A[1K[K[11A[1K[K[13A[1K[K[11A[1K[K[11A[1K[K[11A[1K[K[11A[1K[K[9A[1K[K[11A[1K[K[11A[1K[K[11A[1K[K[11A[1K[K[13A[1K[K[11A[1K[K[9A[1K[K[10A[1K[K[11A[1K[K[10A[1K[K[9A[1K[K[11A[1K[K[9A[1K[K[13A[1K[K[10A[1K[K[13A[1K[K[9A[1K[K[11A[1K[K[10A[1K[K[9A[1K[K[15A[1K[K[13A[1K[K[11A[1K[K[9A[1K[K[11A[1K[K[10A[1K[K[9A[1K[K[11A[1K[K[9A[1K[K[10A[1K[K[9A[1K[K[9A[1K[K[10A[1K[K[11A[1K[K[9A[1K[K[9A[1K[K[10A[1K[K[11A[1K[K[13A[1K[K[10A[1K[K[10A[1K[K[13A[1K[K[11A[1K[K[10A[1K[K[10A[1K[K[11A[1K[K[10A[1K[K[8A[1K[K[11A[1K[K[11A[1K[K[11A[1K[K[10A[1K[K[11A[1K[K[11A[1K[K[10A[1K[K[13A[1K[K[11A[1K[K[10A[1K[K[11A[1K[K[13A[1K[K[10A[1K[K[11A[1K[K[10A[1K[K[13A[1K[K[10A[1K[K[13A[1K[K[10A[1K[K[11A[1K[K[10A[1K[K[11A[1K[K[10A[1K[K[13A[1K[K[10A[1K[K[11A[1K[K[10A[1K[K[11A[1K[K[13A[1K[K[11A[1K[K[10A[1K[K[11A[1K[K[13A[1K[K[10A[1K[K[11A[1K[K[13A[1K[K[10A[1K[K[10A[1K[K[10A[1K[K[11A[1K[K[10A[1K[K[11A[1K[K[11A[1K[K[10A[1K[K[11A[1K[K[13A[1K[K[11A[1K[K[11A[1K[K[11A[1K[K[11A[1K[K[13A[1K[K[7A[1K[K[11A[1K[K[7A[1K[K[11A[1K[K[11A[1K[K[13A[1K[K[7A[1K[K[6A[1K[K[6A[1K[K[13A[1K[K[7A[1K[K[6A[1K[K[7A[1K[K[6A[1K[K[13A[1K[K[10A[1K[K[7A[1K[K[7A[1K[K[6A[1K[K[7A[1K[K[6A[1K[K[6A[1K[K[11A[1K[K[13A[1K[K[7A[1K[K[6A[1K[K[7A[1K[K[6A[1K[K[7A[1K[K[6A[1K[K[13A[1K[KPushing 28.9MB/648.8MB[6A[1K[K[13A[1K[K[6A[1K[K[7A[1K[K[6A[1K[K[7A[1K[K[7A[1K[K[6A[1K[K[13A[1K[K[6A[1K[K[7A[1K[K[6A[1K[K[5A[1K[K[13A[1K[K[6A[1K[K[7A[1K[K[5A[1K[K[13A[1K[K[6A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[7A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[7A[1K[K[5A[1K[K[7A[1K[K[4A[1K[K[7A[1K[K[5A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[7A[1K[K[4A[1K[K[13A[1K[K[5A[1K[K[7A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[7A[1K[K[4A[1K[K[7A[1K[K[5A[1K[K[5A[1K[K[6A[1K[K[13A[1K[K[5A[1K[K[7A[1K[K[5A[1K[K[7A[1K[K[7A[1K[K[4A[1K[K[7A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[7A[1K[K[5A[1K[K[7A[1K[K[13A[1K[K[7A[1K[K[5A[1K[K[13A[1K[K[4A[1K[K[4A[1K[K[5A[1K[K[7A[1K[K[7A[1K[K[7A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[7A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[7A[1K[K[5A[1K[K[4A[1K[K[7A[1K[K[4A[1K[K[7A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[3A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[7A[1K[K[4A[1K[K[4A[1K[K[3A[1K[K[4A[1K[K[3A[1K[K[13A[1K[K[4A[1K[K[7A[1K[K[13A[1K[K[5A[1K[K[7A[1K[K[3A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[7A[1K[K[7A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[3A[1K[K[4A[1K[K[13A[1K[K[3A[1K[K[4A[1K[K[13A[1K[K[13A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[3A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[4A[1K[K[3A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[3A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[5A[1K[K[3A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[4A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[4A[1K[KPushing 60.12MB/141.8MB[4A[1K[KPushing 60.64MB/141.8MB[7A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[3A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[3A[1K[K[5A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[4A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[5A[1K[K[4A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[4A[1K[K[4A[1K[K[4A[1K[K[5A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[2A[1K[K[5A[1K[K[K[4A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[4A[1K[KPushing 141.9MB[2A[1K[K[4A[1K[K[2A[1K[K[4A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[4A[1K[K[4A[1K[K[5A[1K[K[4A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[2A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[2A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[4A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[2A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[2A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[13A[1K[KPushing 185.5MB/648.8MB[5A[1K[K[5B32b1ff99: Pushed 570.6MB/556.5MB[13A[1K[K[5A[1K[K[13A[1K[K[2A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[2A[1K[K[5A[1K[K[5A[1K[KPushing 254.7MB/556.5MB[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[2A[1K[K[5A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[2A[1K[K[13A[1K[K[2A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[2A[1K[K[5A[1K[K[13A[1K[K[2A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[2A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[2A[1K[K[13A[1K[K[2A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[2A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[K[5A[1K[K[13A[1K[K[13A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[KPushing 268.7MB/648.8MB[2A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[2A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[2A[1K[K[5A[1K[K[2A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[KPushing 6.456MB/100.6MB[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[KPushing 345.2MB/648.8MB[13A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[13A[1K[KPushing 398.1MB/648.8MB[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[13A[1K[K[1A[1K[KPushing 55.64MB/100.6MB[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[KPushing 481.1MB/648.8MB[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[KPushing 473.8MB/556.5MB[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[13A[1K[K[13A[1K[K[13A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[1A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[1A[1K[K[1A[1K[K[5A[1K[K[1A[1K[K[K[1A[1K[K[5A[1K[K[5A[1K[K[13A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[1A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K[5A[1K[K0.1: digest: sha256:b6110da62719e103bfd8c4b187f868b4341c35be16d288018d529da1cfa2585c size: 3482Running the Model
We will now run the model. As you can see we have a placeholder "REPLACE_FOR_IMAGE_AND_TAG", which we'll replace to point to our registry.
Let's first have a look at the file we'll be using to trigger the model:
!cat deep_mnist.json{
"apiVersion": "machinelearning.seldon.io/v1alpha2",
"kind": "SeldonDeployment",
"metadata": {
"labels": {
"app": "seldon"
},
"name": "deep-mnist"
},
"spec": {
"annotations": {
"project_name": "Tensorflow MNIST",
"deployment_version": "v1"
},
"name": "deep-mnist",
"predictors": [
{
"componentSpecs": [{
"spec": {
"containers": [
{
"image": "REPLACE_FOR_IMAGE_AND_TAG",
"imagePullPolicy": "IfNotPresent",
"name": "classifier",
"resources": {
"requests": {
"memory": "1Mi"
}
}
}
],
"terminationGracePeriodSeconds": 20
}
}],
"graph": {
"children": [],
"name": "classifier",
"endpoint": {
"type" : "REST"
},
"type": "MODEL"
},
"name": "single-model",
"replicas": 1,
"annotations": {
"predictor_version" : "v1"
}
}
]
}
}Now let's trigger seldon to run the model.
Run the deployment in your cluster
NOTE: In order for this to work you need to make sure that your cluster has the permissions to pull the images. You can do this by:
Go into the Azure Container Registry
Select the SeldonContainerRegistry you created
Click on "Add a role assignment"
Select the AcrPull role
Select service principle
Find the SeldonCluster
Wait until the role has been added
We basically have a yaml file, where we want to replace the value "REPLACE_FOR_IMAGE_AND_TAG" for the image you pushed
%%bash
# Change accordingly if your registry is called differently
sed 's|REPLACE_FOR_IMAGE_AND_TAG|seldoncontainerregistry.azurecr.io/deep-mnist:0.1|g' deep_mnist.json | kubectl apply -f -seldondeployment.machinelearning.seldon.io/deep-mnist createdAnd let's check that it's been created.
You should see an image called "deep-mnist-single-model...".
We'll wait until STATUS changes from "ContainerCreating" to "Running"
!kubectl get podsTest the model
Now we can test the model, let's first find out what is the URL that we'll have to use:
!kubectl get svc ambassador -o jsonpath='{.status.loadBalancer.ingress[0].ip}'52.160.64.65We'll use a random example from our dataset
import matplotlib.pyplot as plt
# This is the variable that was initialised at the beginning of the file
i = [0]
x = mnist.test.images[i]
y = mnist.test.labels[i]
plt.imshow(x.reshape((28, 28)), cmap="gray")
plt.show()
print("Expected label: ", np.sum(range(0, 10) * y), ". One hot encoding: ", y)
Expected label: 7.0 . One hot encoding: [[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]]We can now add the URL above to send our request:
import math
import numpy as np
from seldon_core.seldon_client import SeldonClient
host = "52.160.64.65"
port = "80" # Make sure you use the port above
batch = x
payload_type = "ndarray"
sc = SeldonClient(
gateway="ambassador", ambassador_endpoint=host + ":" + port, namespace="default"
)
client_prediction = sc.predict(
data=batch, deployment_name="deep-mnist", names=["text"], payload_type=payload_type
)
print(client_prediction)Success:True message:
Request:
data {
names: "text"
ndarray {
values {
list_value {
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.3294117748737335
}
values {
number_value: 0.7254902124404907
}
values {
number_value: 0.6235294342041016
}
values {
number_value: 0.5921568870544434
}
values {
number_value: 0.2352941334247589
}
values {
number_value: 0.1411764770746231
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.8705883026123047
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9450981020927429
}
values {
number_value: 0.7764706611633301
}
values {
number_value: 0.7764706611633301
}
values {
number_value: 0.7764706611633301
}
values {
number_value: 0.7764706611633301
}
values {
number_value: 0.7764706611633301
}
values {
number_value: 0.7764706611633301
}
values {
number_value: 0.7764706611633301
}
values {
number_value: 0.7764706611633301
}
values {
number_value: 0.6666666865348816
}
values {
number_value: 0.2039215862751007
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.26274511218070984
}
values {
number_value: 0.44705885648727417
}
values {
number_value: 0.2823529541492462
}
values {
number_value: 0.44705885648727417
}
values {
number_value: 0.6392157077789307
}
values {
number_value: 0.8901961445808411
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.8823530077934265
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9803922176361084
}
values {
number_value: 0.8980392813682556
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.5490196347236633
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.06666667014360428
}
values {
number_value: 0.25882354378700256
}
values {
number_value: 0.05490196496248245
}
values {
number_value: 0.26274511218070984
}
values {
number_value: 0.26274511218070984
}
values {
number_value: 0.26274511218070984
}
values {
number_value: 0.23137256503105164
}
values {
number_value: 0.08235294371843338
}
values {
number_value: 0.9254902601242065
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.41568630933761597
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.32549020648002625
}
values {
number_value: 0.9921569228172302
}
values {
number_value: 0.8196079134941101
}
values {
number_value: 0.07058823853731155
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.08627451211214066
}
values {
number_value: 0.9137255549430847
}
values {
number_value: 1.0
}
values {
number_value: 0.32549020648002625
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.5058823823928833
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9333333969116211
}
values {
number_value: 0.1725490242242813
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.23137256503105164
}
values {
number_value: 0.9764706492424011
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.24313727021217346
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.5215686559677124
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.7333333492279053
}
values {
number_value: 0.019607843831181526
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.03529411926865578
}
values {
number_value: 0.803921639919281
}
values {
number_value: 0.9725490808486938
}
values {
number_value: 0.22745099663734436
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.4941176772117615
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.7137255072593689
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.29411765933036804
}
values {
number_value: 0.9843137860298157
}
values {
number_value: 0.9411765336990356
}
values {
number_value: 0.22352942824363708
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.07450980693101883
}
values {
number_value: 0.8666667342185974
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.6509804129600525
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.011764707043766975
}
values {
number_value: 0.7960785031318665
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.8588235974311829
}
values {
number_value: 0.13725490868091583
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.14901961386203766
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.3019607961177826
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.12156863510608673
}
values {
number_value: 0.8784314393997192
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.45098042488098145
}
values {
number_value: 0.003921568859368563
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.5215686559677124
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.2039215862751007
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.2392157018184662
}
values {
number_value: 0.9490196704864502
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.2039215862751007
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.4745098352432251
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.8588235974311829
}
values {
number_value: 0.1568627506494522
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.4745098352432251
}
values {
number_value: 0.9960784912109375
}
values {
number_value: 0.8117647767066956
}
values {
number_value: 0.07058823853731155
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
values {
number_value: 0.0
}
}
}
}
}
Response:
meta {
puid: "hndttmvl5qua3beavsre2n8hrj"
requestPath {
key: "classifier"
value: "seldoncontainerregistry.azurecr.io/deep-mnist:0.1"
}
}
data {
names: "class:0"
names: "class:1"
names: "class:2"
names: "class:3"
names: "class:4"
names: "class:5"
names: "class:6"
names: "class:7"
names: "class:8"
names: "class:9"
ndarray {
values {
list_value {
values {
number_value: 6.386729364749044e-05
}
values {
number_value: 7.228476039955467e-09
}
values {
number_value: 0.00015463074669241905
}
values {
number_value: 0.00286240060813725
}
values {
number_value: 2.6505524601816433e-06
}
values {
number_value: 2.7261585273663513e-05
}
values {
number_value: 2.7168187699544433e-08
}
values {
number_value: 0.9966427087783813
}
values {
number_value: 1.9810671801678836e-05
}
values {
number_value: 0.00022661285765934736
}
}
}
}
}Let's visualise the probability for each label
It seems that it correctly predicted the number 7
for proba, label in zip(
client_prediction.response.data.ndarray.values[0].list_value.ListFields()[0][1],
range(0, 10),
):
print(f"LABEL {label}:\t {proba.number_value*100:6.4f} %")LABEL 0: 0.0064 %
LABEL 1: 0.0000 %
LABEL 2: 0.0155 %
LABEL 3: 0.2862 %
LABEL 4: 0.0003 %
LABEL 5: 0.0027 %
LABEL 6: 0.0000 %
LABEL 7: 99.6643 %
LABEL 8: 0.0020 %
LABEL 9: 0.0227 %Last updated
Was this helpful?