是否可不安装完整TensorFlow包使用make_tensor_proto方法？

不需要安装1.3GB的完整TensorFlow包即可实现同等功能，以下两种方案都可以将依赖体积控制在100MB以内，满足Docker镜像轻量化要求：

• 方案1：使用精简版TensorFlow Proto依赖
  开源社区已经剥离了完整TensorFlow中训练、算子执行、GPU驱动等冗余逻辑，单独打包了仅包含Proto定义和基础序列化工具的轻量包tensorflow-protobuf，安装包体积不到5MB，安装后可以和完整TensorFlow一样直接导入make_tensor_proto方法：
  安装命令：

  pip install tensorflow-protobuf
  

  导入方式：

  from tensorflow.python.framework.tensor_util import make_tensor_proto
  

  该方法的入参、返回值和完整TensorFlow中的实现完全一致，不需要修改原有业务代码。

• 方案2：自行实现等价转换逻辑，零TensorFlow依赖
  make_tensor_proto的本质是将Python原生数值、numpy数组转换为符合TensorFlow接口规范的TensorProto序列化结构，逻辑完全透明，仅依赖numpy和protobuf两个基础包（两者合计体积不到50MB），可以直接用自定义实现替代官方方法，参考代码如下：

  import numpy as np
  # 若不想引入任何TF相关依赖，可直接通过protoc编译官方公开的tensor.proto文件得到TensorProto类，单文件无额外依赖
  from tensorflow.core.framework.tensor_pb2 import TensorProto
  
  # numpy dtype 对应 TF DataType 枚举值映射
  _TF_DTYPE_MAP = {
      np.float32: 1,
      np.float64: 2,
      np.int32: 3,
      np.uint8: 4,
      np.int16: 5,
      np.int8: 6,
      np.str_: 7,
      np.complex64: 8,
      np.int64: 9,
      np.bool_: 10,
      np.uint16: 17,
      np.complex128: 18,
      np.uint32: 22,
      np.uint64: 23,
  }
  
  def make_tensor_proto(values, dtype=None, shape=None):
      # 统一转换为numpy数组处理
      if not isinstance(values, np.ndarray):
          values = np.asarray(values)
      if dtype is not None:
          values = values.astype(dtype)
      else:
          dtype = values.dtype
      
      # 处理shape参数
      if shape is None:
          shape = values.shape
      else:
          values = values.reshape(shape)
      
      tensor_proto = TensorProto()
      tensor_proto.dtype = _TF_DTYPE_MAP[np.dtype(dtype).type]
      # 填充shape信息
      for dim_size in shape:
          tensor_proto.tensor_shape.dim.add(size=dim_size)
      
      # 根据dtype填充对应的值字段
      flatten_vals = values.flatten().tolist()
      if np.issubdtype(dtype, np.float32) or np.issubdtype(dtype, np.float16):
          tensor_proto.float_val.extend(flatten_vals)
      elif np.issubdtype(dtype, np.float64):
          tensor_proto.double_val.extend(flatten_vals)
      elif np.issubdtype(dtype, np.int32) or np.issubdtype(dtype, np.int8) or np.issubdtype(dtype, np.int16) or np.issubdtype(dtype, np.uint8) or np.issubdtype(dtype, np.uint16):
          tensor_proto.int_val.extend(flatten_vals)
      elif np.issubdtype(dtype, np.int64) or np.issubdtype(dtype, np.uint32) or np.issubdtype(dtype, np.uint64):
          tensor_proto.int64_val.extend(flatten_vals)
      elif np.issubdtype(dtype, np.bool_):
          tensor_proto.bool_val.extend(flatten_vals)
      elif np.issubdtype(dtype, np.str_) or np.issubdtype(dtype, np.bytes_):
          tensor_proto.string_val.extend([v.encode("utf-8") if isinstance(v, str) else v for v in flatten_vals])
      
      return tensor_proto
  

  如果你使用TensorFlow Serving的REST接口而非gRPC接口，连TensorProto的构造都可以省略，直接按照接口规范组装包含instances/inputs字段的JSON请求体即可，不需要任何序列化相关依赖。

注意：如果使用自定义实现，需要保证dtype映射和值填充逻辑和官方实现对齐，避免出现类型不匹配的请求错误。

内容的提问来源于stack exchange，提问作者cookiecutter