TensorFlow：如何自行部署内部使用的Embedding Projector服务？

前置依赖 #

• 源码来源：Projector的完整开源代码位于tensorflow/tensorboard仓库的tensorboard/plugins/projector路径下，直接拉取对应稳定版本的分支即可，无需使用公网Demo的反向编译资源。
• 本地编译环境：仅需准备Node.js 16+、Python 3.8+，所有依赖均可提前同步到内部私有源，无需公网连接。

部署步骤 #

第一步：编译独立静态UI包 #

• 进入拉取的projector插件目录，执行npm install安装前端依赖，依赖包可提前上传到内部npm源，离线环境也可正常安装。
• 执行npm run build编译生成纯静态资源包，编译产物全部为HTML、CSS、JS文件，无任何服务端依赖，也不会内置任何对公网接口的调用。

第二步：部署到内部服务器 #

• 将编译好的静态资源包上传到自有服务器，使用任意静态文件服务（Nginx、Apache、甚至直接用python -m http.server命令）启动即可，可自定义端口、仅开放内部网络访问权限。
• 若需要权限管控，直接在静态服务层配置IP白名单、账号密码校验即可，无需修改Projector的源码逻辑。

自有数据集适配方法 #

无需修改UI代码，和公网版本的使用逻辑完全一致：

• 提前准备两类本地文件：嵌入向量TSV文件（每行存储单个向量的各维度数值）、元数据TSV文件（每行存储对应向量的标签、分类等描述信息）。
• 打开部署好的内部Projector页面，点击左侧的Load按钮，本地上传两个TSV文件即可完成加载，所有数据仅在浏览器本地内存中处理，不会上传到任何外部节点。
• 如果需要默认加载内部固定数据集，可以修改编译产物中的配置文件，将数据集路径写死为内部静态资源地址，页面打开后会自动加载，无需每次手动上传。

安全说明 #

所有向量的解析、降维计算、可视化渲染全在用户浏览器端完成，部署的服务端仅负责分发静态UI资源，不会存储、上报任何用户的向量数据，完全满足内部敏感数据的可视化需求。

常见问题优化 #

• 打包体积过大：可按需裁剪不需要的3D渲染依赖、多语言包，最小打包体积可控制在2MB以内，加载速度更快。
• 大量向量加载卡顿：单页面最多支持10万条向量的流畅渲染，超过该量级建议先对向量做抽样处理后再上传。

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