2.2.2　測試查詢

最后，讓我們查詢模型并監控結果。完整性檢查（sanity check）是一個簡單的測試，確保我們的模型做出的預測在理論上是合理的。例如，我們試圖猜測寫的是什么數字。如果模型返回的答案是77、orange Kool-Aid或者ERROR，則它們都不能通過完整性檢查。我們希望看到0～9之間的數字。在投入生產前對模型進行完整性檢查是一個明智的選擇。

Web用戶界面和模型服務通過同一個Istio網關暴露。所以，模型將在http://<WEBUI_URL>/seldon<mnist-classifier/api<v0.1/predictions上提供。如果你正在使用Google IAP，可能會發現iap_curl項目對請求很有幫助。

Python腳本（https://oreil.ly/Kubeflow_for_MLch02）可以從MNIST數據集中提取圖像、將其轉化為向量、顯示圖像和將其發送到模型。將圖像轉化為向量通常是預測前轉換的一部分，詳見第8章。例2-11是一個相當清晰的Python例子，演示了如何查詢模型。該模型返回一個10個數字的JSON數據結構，以及提交的向量是否代表一個特定數字的概率。

具體來說，我們需要一個手寫數字的圖像，該圖像可以被轉換成值的數組。

例2-11：模型查詢示例

例如，見圖2-4中手寫的3。

圖2-4：手寫數字3

這將返回以下內容：

可以看到，盡管我們寫了一個很清楚的3，但模型的最佳猜測在1和7之間。也就是說，RandomForestClassifier對于手寫數字識別來說是一個糟糕的模型，但這并不是一個令人驚訝的結果。我們使用RandomForestClassifier的原因有兩個：一是為了說明第8章中模型的可解釋性；二是為了讓你可以用更合理的模型進行實驗，從而比較性能。

雖然我們在這里部署了端到端的示例，但沒有進行任何真正的驗證，你應該在將其投入真正的生產之前始終進行驗證。