iT邦幫忙

2021 iThome 鐵人賽

DAY 27
0
AI & Data

從 AI 落地談 MLOps系列 第 27

Day 27 : 使用 TensorFlow Serving 部署 REST API

  • 分享至 

  • xImage
  •  
  • 在網路情境常以 API 請求服務,用於生產的機械學習亦可用 REST API 形式提供服務。在Day 20Day 21Day 22 介紹部署在算力有限的終端設備可採用的 TensorFlow Lite,本篇將使用 透過 TensorFlow Serving 部署您的模型作為網路服務可用的 REST API。
  • 範例參考官方範例調整而成,Colab

使用 TensorFlow Serving 部署 REST API 實作

  • 在此範例中,您將部署一個具有分類能力的 REST API 服務,流程為
    • 建立與訓練模型。
    • 安裝與啟動 TensorFlow Serving。
    • 以 Requests 向 TensorFlow Serving 提出請求。

1. 下載資料及訓練模型

  • 由於重點在如何啟動一個TensorFlow Severing 服務,資料採用 keras.datasets.cifar10 進行示範,CIFAR10 為小型的影像分類資料集,具有 50,000 筆訓練資料集與 10,000 筆測試資料集,皆為 32X32 像素的彩色圖片。更多資訊參閱官方介紹, 10 種分類與描述如下:

  • 建立簡易模型,程式碼參閱 Colab

2. 儲存模型

  • 將模型保存為SavedModel格式,以便將模型加載到 TensorFlow Serving 中。

  • TensorFlow Serving允許我們在發出推理請求時選擇要使用的模型版本或「可服務」版本。每個版本將導出到給定路徑下的不同子目錄。為此,需在目錄創建 protobuf 文件,並將包含一個版本號,此版本號碼也是後續 API 所使用的參數之一。

  • 以下會在/tmp/建立版次版次version = 1之相關檔案。

    # Fetch the Keras session and save the model
    # The signature definition is defined by the input and output tensors,
    # and stored with the default serving key
    import tempfile
    
    MODEL_DIR = tempfile.gettempdir()
    version = 1
    export_path = os.path.join(MODEL_DIR, str(version))
    print(f'export_path = {export_path}')
    
    tf.keras.models.save_model(
        model,
        export_path,
        overwrite=True,
        include_optimizer=True,
        save_format=None,
        signatures=None,
        options=None
    )
    
    print('Saved model:')
    !ls -l {export_path}
    

3. 檢查我們的Saved model

  • saved_model_cli 可以檢查前述SavedModel中相關資訊,這對理解模型相當有用,包含:
  • SavedModel CLI的詳細說明可參閱TensorFlow 指南
    !saved_model_cli show --dir {export_path} --all
    

    (以下略)

4. 建立 TensorFlow Serving 服務

  • 依官方範例此為Colab環境所需設定內容,如使用本機端的 Notebook ,請注意相關提醒。

  • 使用 Aptitude 安裝 TensorFlow Serving,因為 Colab 在 Debian 環境中運行,所以可以安裝 Debian 相關套件。將 tensorflow-model-server 以 Root 身分添加到 Aptitude 知道的套件列表中。

  • 另外最簡單的方式是以 Docker 佈署 TensorFlow Serving,您可自行參考Docker 範例

    
    !echo "deb http://storage.googleapis.com/tensorflow-serving-apt stable tensorflow-model-server tensorflow-model-server-universal" | {SUDO_IF_NEEDED} tee /etc/apt/sources.list.d/tensorflow-serving.list && \
    curl https://storage.googleapis.com/tensorflow-serving-apt/tensorflow-serving.release.pub.gpg | {SUDO_IF_NEEDED} apt-key add -
    !{SUDO_IF_NEEDED} apt update
    
    !{SUDO_IF_NEEDED} apt-get install tensorflow-model-server
    

5. 啟動 TensorFlow Serving

  • 加載後,我們可以開始使用 REST 發出推理請求,相關參數:

    • rest_api_port: REST 請求的 Port。
    • model_name:您將在 REST 請求的 URL 中使用它。
    • model_base_path:保存模型的目錄的路徑。
    %%bash --bg 
    nohup tensorflow_model_server \
      --rest_api_port=8501 \
      --model_name=fashion_model \
      --model_base_path="${MODEL_DIR}" >server.log 2>&1
    
    

6. 向 TensorFlow Serving 提出請求

  • 預設請求最新版本的 servable 。

    import requests
    headers = {"content-type": "application/json"}
    json_response = requests.post(
        'http://localhost:8501/v1/models/fashion_model:predict', 
        data=data, 
        headers=headers
        )
    
    predictions = json.loads(json_response.text)['predictions']
    
    show(0, 'The model thought this was a {} (class {}), and it was actually a {} (class {})'.format(
      class_names[np.argmax(predictions[0])], np.argmax(predictions[0]), class_names[int(test_labels[0])], test_labels[0]))
    
  • 向伺服器請求指定版本version = 1

    # docs_infra: no_execute
    version = 1
    
    headers = {"content-type": "application/json"}
    json_response = requests.post(
        f'http://localhost:8501/v1/models/fashion_model/versions/{version}:predict', 
        data=data, 
        headers=headers
        )
    
    predictions = json.loads(json_response.text)['predictions']
    
    for i in range(0,3):
      show(i, 'The model thought this was a {} (class {}), and it was actually a {} (class {})'.format(
        class_names[np.argmax(predictions[i])], np.argmax(predictions[i]), class_names[int(test_labels[i])], test_labels[i]))
    
    

小結

  • 由於提供網路服務的工程師相當熟悉 REST API 的溝通方式,以指定 URI 即可取得所需資訊相當便捷,您也會發現 TensorFlow Serving 簡化諸多部署 API 的設定細節。
  • 截至此篇文章將實踐 MLOps 在範疇、資料、模型與部署的相關概念與做法介紹後,接連 2 篇將接紹用於生產的機械學習框架 TensorFlow Extended (TFX) ,謝謝您一路堅持至今,我們下篇見。
    /images/emoticon/emoticon41.gif

參考


上一篇
Day 26 : 公平指標與實作 Fairness Indicators
下一篇
Day 28 : 用於生產的機械學習 TensorFlow Extended (TFX) 介紹
系列文
從 AI 落地談 MLOps30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言