2.2.2　测试查询

最后，让我们查询模型并监控结果。完整性检查（sanity check）是一个简单的测试，确保我们的模型做出的预测在理论上是合理的。例如，我们试图猜测写的是什么数字。如果模型返回的答案是77、orange Kool-Aid或者ERROR，则它们都不能通过完整性检查。我们希望看到0～9之间的数字。在投入生产前对模型进行完整性检查是一个明智的选择。

Web用户界面和模型服务通过同一个Istio网关暴露。所以，模型将在http://<WEBUI_URL>/seldon<mnist-classifier/api<v0.1/predictions上提供。如果你正在使用Google IAP，可能会发现iap_curl项目对请求很有帮助。

Python脚本（https://oreil.ly/Kubeflow_for_MLch02）可以从MNIST数据集中提取图像、将其转化为向量、显示图像和将其发送到模型。将图像转化为向量通常是预测前转换的一部分，详见第8章。例2-11是一个相当清晰的Python例子，演示了如何查询模型。该模型返回一个10个数字的JSON数据结构，以及提交的向量是否代表一个特定数字的概率。

具体来说，我们需要一个手写数字的图像，该图像可以被转换成值的数组。

例2-11：模型查询示例

例如，见图2-4中手写的3。

图2-4：手写数字3

这将返回以下内容：

可以看到，尽管我们写了一个很清楚的3，但模型的最佳猜测在1和7之间。也就是说，RandomForestClassifier对于手写数字识别来说是一个糟糕的模型，但这并不是一个令人惊讶的结果。我们使用RandomForestClassifier的原因有两个：一是为了说明第8章中模型的可解释性；二是为了让你可以用更合理的模型进行实验，从而比较性能。

虽然我们在这里部署了端到端的示例，但没有进行任何真正的验证，你应该在将其投入真正的生产之前始终进行验证。