天天看點
傳回

Kubeflow實戰系列：利用TensorFlow Serving進行模型預測

介紹

本系列将介紹如何在阿裡雲容器服務上運作

Kubeflow

, 本文介紹如何使用

TensorFlow Serving

加載訓練模型并且進行模型預測。

TensorFlow Serving簡介

TensorFlow Serving是Google開源的一個靈活的、高性能的機器學習模型服務系統，能夠簡化并加速從模型到生産應用的過程。它除了原生支援TensorFlow模型，還可以擴充支援其他類型的機器學習模型。

Kubeflow實戰系列：利用TensorFlow Serving進行模型預測

在前面的文章中，已經介紹了如何進行單機和分布式的模型訓練，并且可以将訓練的導出模型放置到分布式存儲上。在本文中，會介紹模型如何被釋出到TensorFlow Serving系統伺服器端。并通過gRPC用戶端送出請求，由服務端傳回預測結果。

在分布式存儲檢視訓練的模型

在前一篇文章中，我們已經将訓練的模型導出到NAS上，可以先檢視一下導出的模型。在serving的檔案夾指定了模型的，即mnist名稱;而mnist的下一層是模型的版本。

mkdir -p /nfs
mount -t nfs -o vers=4.0 0fc844b526-rqx39.cn-hangzhou.nas.aliyuncs.com:/ /nfs
cd /nfs
tree serving

serving
└── mnist
    └── 1
        ├── saved_model.pb
        └── variables
            ├── variables.data-00000-of-00001
            └── variables.index

在模型導出的章節中，已經在這個NAS存儲上建立了對應的pv:

tf-serving-pv

和pvc：

tf-serving-pvc

， 而

TensorFlow Serving

将從pvc中加載模型。

kubectl get pv tf-serving-pv

NAME            CAPACITY   ACCESS MODES   RECLAIM POLICY   STATUS    CLAIM                    STORAGECLASS   REASON    AGE
tf-serving-pv   10Gi       RWX            Retain           Bound     default/tf-serving-pvc   nas                      2d

kubectl get pvc tf-serving-pvc

NAME             STATUS    VOLUME          CAPACITY   ACCESS MODES   STORAGECLASS   AGE
tf-serving-pvc   Bound     tf-serving-pv   10Gi       RWX            nas            2d

利用Kubeflow啟動

TensorFlow Serving

 

# 建立TensorFlow Serving的namespace
export NAMESPACE=default

# 指定Kubeflow的版本
VERSION=v0.2.0-rc.0
APP_NAME=tf-serving

# 初始化Kubeflow應用，并且将其namespace設定為default環境
ks init ${APP_NAME} --api-spec=version:v1.9.3
cd ${APP_NAME}
ks env add ack
ks env set ack --namespace ${NAMESPACE}

# 安裝 Kubeflow 子產品
ks registry add kubeflow github.com/kubeflow/kubeflow/tree/${VERSION}/kubeflow
ks pkg install kubeflow/tf-serving@${VERSION}

# 指定配置TensorFlow Serving所需環境變量
MODEL_COMPONENT=mnist-serving
MODEL_NAME=mnist
MODEL_PATH=/mnt/mnist
MODEL_STORAGE_TYPE=nfs
SERVING_PVC_NAME=tf-serving-pvc
MODEL_SERVER_IMAGE=registry.aliyuncs.com/kubeflow-images-public/tensorflow-serving-1.7:v20180604-0da89b8a


# 建立TensorFlow Serving的模闆
ks generate tf-serving ${MODEL_COMPONENT} --name=${MODEL_NAME}
ks param set ${MODEL_COMPONENT} modelPath ${MODEL_PATH}
ks param set ${MODEL_COMPONENT} modelStorageType ${MODEL_STORAGE_TYPE}
ks param set ${MODEL_COMPONENT} nfsPVC ${SERVING_PVC_NAME}
ks param set ${MODEL_COMPONENT} modelServerImage $MODEL_SERVER_IMAGE 

# 設定tf-serving
ks param set ${MODEL_COMPONENT} cloud ack

# 如果需要暴露對外部系統的服務
ks param set ${MODEL_COMPONENT} serviceType LoadBalancer

# 如果使用GPU, 請使用以下配置
NUMGPUS=1
ks param set ${MODEL_COMPONENT} numGpus ${NUMGPUS}
MODEL_GPU_SERVER_IMAGE=registry.aliyuncs.com/kubeflow-images-public/tensorflow-serving-1.6gpu:v20180604-0da89b8a
ks param set ${MODEL_COMPONENT} modelServerImage $MODEL_SERVER_IMAGE

ks apply ack -c mnist-serving

部署完成後可以通過

kubectl get deploy

查詢到

TensorFlow Serving

運作狀态

# kubectl get deploy -lapp=$MODEL_NAME
NAME       DESIRED   CURRENT   UP-TO-DATE   AVAILABLE   AGE
mnist-v1   1         1         1            1           4m

檢視

TensorFlow Serving

運作日志,發現模型已經加載

2018-06-19 06:50:19.185785: I external/org_tensorflow/tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
2018-06-19 06:50:19.202907: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:161] Restoring SavedModel bundle.
2018-06-19 06:50:19.418625: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:196] Running LegacyInitOp on SavedModel bundle.
2018-06-19 06:50:19.425357: I external/org_tensorflow/tensorflow/cc/saved_model/loader.cc:291] SavedModel load for tags { serve }; Status: success. Took 550707 microseconds.
2018-06-19 06:50:19.430435: I tensorflow_serving/core/loader_harness.cc:86] Successfully loaded servable version {name: mnist version: 1}

以及對外的暴露的服務ip和端口

kubectl get svc -lapp=$MODEL_NAME
NAME      TYPE           CLUSTER-IP     EXTERNAL-IP       PORT(S)                         AGE
mnist     LoadBalancer   172.19.4.241   xx.xx.xx.xx   9000:32697/TCP,8000:32166/TCP   7m
這裡可以看到gRPC對外服務ip為

xx.xx.xx.xx

 ,對外服務的端口為

9000

使用gRPC用戶端通路

TensorFlow Serving

通過

kubectl run

運作gRPC用戶端, 并且點選回車，登入到Pod裡

kubectl run -i --tty mnist-client --image=registry.cn-hangzhou.aliyuncs.com/tensorflow-samples/tf-mnist-client-demo --restart=Never --command -- /bin/bash
If you don't see a command prompt, try pressing enter.

運作用戶端python代碼：

# export TF_MNIST_IMAGE_PATH=1.png
# export TF_MODEL_SERVER_HOST=172.19.4.241
# python mnist_client.py
/usr/local/lib/python2.7/dist-packages/h5py/__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.
  from ._conv import register_converters as _register_converters
outputs {
  key: "scores"
  value {
    dtype: DT_FLOAT
    tensor_shape {
      dim {
        size: 1
      }
      dim {
        size: 10
      }
    }
    float_val: 1.0
    float_val: 0.0
    float_val: 9.85347854001e-34
    float_val: 1.00954509814e-35
    float_val: 0.0
    float_val: 0.0
    float_val: 1.5053762612e-14
    float_val: 0.0
    float_val: 5.21842267799e-22
    float_val: 0.0
  }
}


............................
............................
............................
............................
.............@@.............
.............@@@............
.............@@@............
.............@@@............
.............@@@............
.............@@@............
.............@@@............
.............@@@............
.............@@@............
.............@@@............
.............@@@@...........
.............@@@@...........
..............@@@...........
..............@@@...........
..............@@@...........
..............@@@...........
..............@@@...........
..............@@@...........
..............@@@...........
..............@@@...........
............................
............................
............................
............................
Your model says the above number is... 1!

這樣我們訓練導出的模型，就可以直接通過gRPC的用戶端通路了，進而實作線上預測。結合前面的文章，我們已經介紹了從深度學習的模型訓練，模型導出到模型部署上線的全路徑通路。

删除

TensorFlow Serving

 

ks delete ack -c mnist-serving

總結

這個例子介紹了如何通過Kubeflow部署TensorFlow Serving, 并且加載阿裡雲NAS上存儲的模型，并且提供模型預測服務。

Kubeflow部署機器學習應用非常簡單，但是隻有應用層的簡便是不夠的；雲端基礎設施的自動化內建也是非常重要的，比如GPU/NAS/OSS以及負載均衡的無縫調用，而這方面使用阿裡雲Kubernetes容器服務可以大幅度降低資料科學家的模型傳遞難度。

存儲 機器學習/深度學習 tensorflow 檔案存儲 算法架構/工具 tensorflow機器學習模型 tensorflow深度學習架構 tensorflow其他深度學習 tensorflow深度學習網絡 pai使用tensorflow
上一篇: 如何将S/4HANA系統存儲的圖檔檔案用Java程式儲存到本地
下一篇: java啟動tomcat錯誤

繼續閱讀