如何用JavaScript实现GCP部署的TensorFlow神经网络模型在线预测？

我来帮你搞定这个问题，先逐个拆解你遇到的痛点：

为什么@google-cloud/automl包无法使用？ #

这个包是专门为Google AutoML服务设计的，只支持AutoML训练出来的模型，而你部署的是自定义TensorFlow/Keras模型，属于AI Platform（现在已整合到Vertex AI Prediction）的通用模型服务，两者的资源格式和API接口完全不同，所以会抛出"Invalid resource ID"错误——你用错工具啦！

REST API服务器端永久授权方案 #

既然curl调用正常，那在服务器端实现持久授权可以通过服务账号密钥来搞定，步骤如下：

1. 在GCP控制台创建一个拥有AI Platform Predictor权限的服务账号，下载其JSON格式的密钥文件
2. 在你的服务器环境中设置环境变量：

   export GOOGLE_APPLICATION_CREDENTIALS="/path/to/your/service-account-key.json"
   

3. 使用google-auth-library库自动获取并刷新授权令牌，无需手动管理过期时间。示例代码（用node-fetch）：

   const { GoogleAuth } = require('google-auth-library');
   const fetch = require('node-fetch');
   
   async function predict() {
     const auth = new GoogleAuth({
       scopes: ['https://www.googleapis.com/auth/cloud-platform']
     });
     const client = await auth.getClient();
     const token = await client.getAccessToken();
   
     const projectId = 'your-project-id';
     const modelId = 'your-model-id';
     const region = 'your-region'; // 比如us-central1
     const url = `https://${region}-ml.googleapis.com/v1/projects/${projectId}/models/${modelId}:predict`;
   
     const requestBody = {
       instances: [/* 你的输入数据，和gcloud predict用的格式一致 */]
     };
   
     const response = await fetch(url, {
       method: 'POST',
       headers: {
         'Authorization': `Bearer ${token.token}`,
         'Content-Type': 'application/json'
       },
       body: JSON.stringify(requestBody)
     });
   
     const result = await response.json();
     console.log(result);
   }
   
   predict();
   

推荐的官方解决方案：使用@google-cloud/aiplatform包 #

Google官方现在推荐用@google-cloud/aiplatform包来操作Vertex AI（包含原AI Platform的所有功能），它完美支持自定义TensorFlow模型的预测，而且封装了授权和API调用逻辑，比手动调用REST API更省心。

示例代码：

1. 先安装包：

   npm install @google-cloud/aiplatform
   

2. 编写预测代码：

   const { PredictionServiceClient } = require('@google-cloud/aiplatform');
   
   async function predict() {
     const client = new PredictionServiceClient({
       apiEndpoint: 'us-central1-aiplatform.googleapis.com', // 替换成你的模型部署区域
     });
   
     const projectId = 'your-project-id';
     const modelId = 'your-model-id';
     const location = 'us-central1';
     const modelName = client.modelPath(projectId, location, modelId);
   
     const instances = [/* 输入数据，和gcloud predict的格式一致 */];
     const parameters = {}; // 如果有预测参数可以在这里设置
   
     const request = {
       endpoint: modelName,
       instances: instances,
       parameters: parameters,
     };
   
     const [response] = await client.predict(request);
     console.log('Predictions:');
     response.predictions.forEach(prediction => {
       console.log(prediction);
     });
   }
   
   predict();
   

   注意这里的modelName格式是projects/{project}/locations/{region}/models/{model-id}，这也是之前用automl包报错的核心原因——automl的资源格式和这个完全不同，用对工具就不会有问题了。

内容的提问来源于stack exchange，提问作者shasho