TensorFlow Serving入门



  • 大家习惯使用TensorFlow进行模型的训练、验证和预测,但模型完善之后的生产上线流程,就变得五花八门了。针对这种情况Google提供了TensorFlow Servering,可以将训练好的模型直接上线并提供服务。在2017年的TensorFlow开发者Summit上便提出了TensorFlow Serving。
    传送门:https://www.youtube.com/watch?v=q_IkJcPyNl0&list=PLOU2XLYxmsIKGc_NBoIhTn2Qhraji53cv&index=13
    但那时候客户端和服务端的通信只支持gRPC。在实际的生产环境中比较广泛使用的C/S通信手段是基于RESTfull API的,幸运的是从TF1.8以后,TF Serving也正式支持RESTfull API通信方式了。

    服务框架

    TF Serving服务框架
    基于TF Serving的持续集成框架还是挺简明的,基本分三个步骤:

    • 模型训练
      这是大家最熟悉的部分,主要包括数据的收集和清洗、模型的训练、评测和优化;
    • 模型上线
      前一个步骤训练好的模型在TF Server中上线;
    • 服务使用
      客户端通过gRPC和RESTfull API两种方式同TF Servering端进行通信,并获取服务;

    TF Serving工作流程

    TF Serving工作流程
    TF Serving的工作流程主要分为以下几个步骤:

    • Source会针对需要进行加载的模型创建一个Loader,Loader中会包含要加载模型的全部信息;
    • Source通知Manager有新的模型需要进行加载;
    • Manager通过版本管理策略(Version Policy)来确定哪些模型需要被下架,哪些模型需要被加载;
    • Manger在确认需要加载的模型符合加载策略,便通知Loader来加载最新的模型;
    • 客户端像服务端请求模型结果时,可以指定模型的版本,也可以使用最新模型的结果;

    简单示例

    TF Serving客户端和服务端的通信方式有两种(gRPC和RESTfull API)

    示例(一):RESTfull API形式

    1. 准备TF Serving的Docker环境

    目前TF Serving有Docker、APT(二级制安装)和源码编译三种方式,但考虑实际的生产环境项目部署和简单性,推荐使用Docker方式。

     #  docker pull tensorflow/serving
    

    2. 下载官方示例代码

    示例代码中包含已训练好的模型和与服务端进行通信的客户端(RESTfull API形式不需要专门的客户端)

    # mkdir -p /tmp/tfserving
    # cd /tmp/tfserving
    # git clone https://github.com/tensorflow/serving
    

    3. 运行TF Serving

    # docker run -p 8501:8501 \
      --mount type=bind,\
       source=/tmp/tfserving/serving/tensorflow_serving/servables/tensorflow/testdata/saved_model_half_plus_two_cpu,\
    target=/models/half_plus_two \
    -e MODEL_NAME=half_plus_two -t tensorflow/serving &
    

    这里需要注意的是,较早的docker版本没有“--mount”选项,比如Ubuntu16.04默认安装的docker就没有(我的环境是Ubuntu 18.04)。

    4.客户端验证

    # curl -d '{"instances": [1.0, 2.0, 5.0]}' \
      -X POST http://localhost:8501/v1/models/half_plus_two:predict 
    

    返回结果,

    # { "predictions": [2.5, 3.0, 4.5] }
    

    示例(二):gRPC形式

    1. 准备TF Serving的Docker环境

    目前TF Serving有Docker、APT(二级制安装)和源码编译三种方式,但考虑实际的生产环境项目部署和简单性,推荐使用Docker方式。

     #  docker pull tensorflow/serving
    

    2. 下载官方示例代码

    # mkdir -p /tmp/tfserving
    # cd /tmp/tfserving
    # git clone https://github.com/tensorflow/serving
    

    3. 模型编译

    # python tensorflow_serving/example/mnist_saved_model.py models/mnist
    

    4. 运行TF Serving

    # docker run -p 8500:8500 \
    --mount type=bind,source=$(pwd)/models/mnist,target=/models/mnist \
    -e MODEL_NAME=mnist -t tensorflow/serving
    

    这里需要注意的是,较早的docker版本没有“--mount”选项,比如Ubuntu16.04默认安装的docker就没有(我的环境是Ubuntu 18.04)。

    4.客户端验证

    # python tensorflow_serving/example/mnist_client.py --num_tests=1000 --server=127.0.0.1:8500
    

    返回结果,

    #  Inference error rate: 11.13%
    

    这里需要注意的是,直接运行mnist_client.py会出现找不到“tensorflow_serving”的问题,需要手动安装,

    # pip install tensorflow-serving-api
    

    资料参考

    TF Serving官方文档:https://www.tensorflow.org/serving/


Log in to reply
 

Popular Topics

|

Looks like your connection to SCC was lost, please wait while we try to reconnect.