如何在Google Cloud平台运行Mask-RCNN预测时减小输入文件大小？

你遇到的是非常典型的序列化格式膨胀问题——把小巧的压缩图片转成张量数组文本格式后，体积会几十倍暴涨，完全超出预期。我来分享几个实用的解决方案，帮你把输入大小控制在1.5MB的限制内：

1. 直接发送原始图片字节（最推荐） #

问题根源在于你把65KB的JPEG/PNG图片解码成像素张量，再序列化成JSON文本格式，这一步会让体积疯狂膨胀。其实完全可以跳过这个冗余步骤，让模型在预测阶段自己处理图片解码：

• 修改你的SavedModel，把输入层改为接受字符串类型的输入（对应原始图片的二进制字节）。
• 在模型输入层后串联预处理逻辑：用tf.io.decode_jpeg或tf.io.decode_png解码图片，再执行resize、归一化等你之前在本地做的预处理操作。
• 重新导出修改后的SavedModel并部署到AI Platform。

这样你发送预测请求时，直接上传原始的65KB图片文件即可，输入大小和原图片完全一致，根本不会触发上限。

2. 用gzip压缩请求体 #

如果暂时不想修改模型，你可以对序列化后的张量请求体进行gzip压缩，AI Platform支持接受压缩后的请求，只要在请求头里设置Content-Encoding: gzip。

比如用gcloud命令发送预测时：

gzip -c request.json > request.json.gz
gcloud ai-platform predict \
  --model=your_model_name \
  --version=your_version \
  --json-request=request.json.gz \
  --headers="Content-Encoding: gzip"

57MB的张量JSON压缩后通常能降到几MB以内，完全符合1.5MB的限制，而且你已经验证过格式没问题，压缩后也不会影响预测结果。

3. 替换为高效的二进制序列化格式 #

JSON对数值数组的序列化效率极低，你可以换成TensorFlow原生的tf.Example或protobuf二进制格式，体积会比JSON小很多。发送请求时设置Content-Type: application/octet-stream，AI Platform同样支持这种二进制输入格式。

4. 调整图片编码参数（辅助优化） #

如果还是想保留resize的方式，可以尝试调整图片的编码质量：把resize后的图片用更高压缩率的JPEG格式保存（比如设置质量参数为70-80），这样400×400的图片体积可能会从7MB降到1MB左右，刚好符合上限，同时不会丢失太多关键识别信息。

内容的提问来源于stack exchange，提问作者akshay pai