README_cn.md

XGBoost Serving

XGBoost Serving 是 TensorFlow Serving 的 1 个 Fork 开发版本，增加了 XGBoost、alphaFM 和 alphaFM_softmax 等框架的支持。如果想了解更多关于 TensorFlow Serving 的资料，请切换到 master 分支或者访问 TensorFlow Serving。

---

XGBoost Serving 是为生产环境而设计的支持 XGBoost 和 FM 模型的灵活、高性能的推理系统。其专注于模型训练结束后的在线推理部分，支持模型的完整生命周期管理，为客户端提供高性能的带版本访问接口，在爱奇艺内部具有广泛应用。

XGBoost Serving 主要具有以下特性：

• 支持多模型、多版本部署
• 支持 gRPC APIs
• 版本更新对客户端透明
• 支持金丝雀部署和 A/B 测试
• 高性能
• 支持 XGBoost 模型、XGBoost 和 FM 模型、XGBoost 和 alphaFM_softmax 模型部署
• 支持统计计算延时分布

文档

构建

构建 XGBoost Serving 最简单和直观的方式是使用 Docker 开发镜像。我们优先推荐使用 Docker 开发镜像进行构建，除非有 Docker 环境无法满足的需求。

• 构建 XGBoost Serving
• 在 Docker 中构建 XGBoost Serving(推荐)

使用

导出 XGBoost && FM 模型

在部署 XGBoost && FM 模型之前，需要导出 XGBoost 模型、leaf mapping 和 FM 模型。

请参考 导出 XGBoost && FM 模型 以了解模型的规范以及如何导出 XGBoost && FM 模型。

使用和配置

• 部署 XGBoost && FM 模型
• 配置 XGBoost Serving

扩展

TensorFlow Serving 具有模块化的架构，提供了若干扩展点。由于 XGBoost Serving 派生自 TensorFlow Serving，所以也可以使用 TensorFlow Serving 提供的扩展点。

• 在 Docker 环境构建 Tensorflow Serving
• 了解 Tensorflow Serving 的架构
• Tensorflow Serving C++ API 参考
• 创建新的 Servable
• 创建新的 Source

贡献

如果想向 XGBoost Serving 贡献代码或文档等，请参考：贡献指南。

反馈和参与

• 请通过 Github Issues 报告 bugs、提问及建议。