用Docker容器自带的tensorflow serving部署模型对外服务(成功率100%)

前传:

相信很多人和我一样,在试图安装tensorflow serving的时候,翻遍了网上的博客和官网文档,安装都是以失败而告终,我也是一样,这个问题折磨了我两个星期之久,都快放弃了。幸运的是在同事的建议下,我采用了一种迂回的策略安装成功了。

 

我们采用的策略是:

        pull一个已经安装好了tensorflow serving的docker镜像,替换它自带的一些模型为我们自己的模型。

 

步骤:

1、拉取带tensorflow serving的docker镜像,这样我们服务器上就有了一个安装了ModelServer的docker容器, 这个容器就可以看做一台虚拟机,这个虚拟机上已经安装好了tensorflow serving,环境有了,就可以用它来部署我们的模型了。注意这个拉取下来后不是直接放在当前目录的,而是docker默认存储的路径,这个是个docker容器,和第2步clone下来的不是同一个东西

$docker pull tensorflow/serving
2、获取例子模型:(当然,也可以直接用上面容器中自带的例子),当然这里是直接拉取了tensorflow serving的源码,源码中有一些训练好的例子模型

$cd /root/software/
$git clone https://github.com/tensorflow/serving
3、用第一步拉取的docker容器运行例子模型

第2步中clone下来的serving源码中有这样一个训练好的例子模型,路径为:

/root/software/serving/tensorflow_serving/servables/tensorflow/testdata/saved_model_half_plus_two_cpu
现在我们就要用第1步拉下来的docker容器来运行部署这个例子模型

$docker run -p 8501:8501 \
--mount type=bind,\
source=/root/software/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 &
参数说明:

--mount: 表示要进行挂载
source: 指定要运行部署的模型地址, 也就是挂载的源,这个是在宿主机上的模型目录
target: 这个是要挂载的目标位置,也就是挂载到docker容器中的哪个位置,这是docker容器中的目录
-t: 指定的是挂载到哪个容器
-p: 指定主机到docker容器的端口映射
docker run: 启动这个容器并启动模型服务(这里是如何同时启动容器中的模型服务的还不太清楚)

综合解释:
将source目录中的例子模型,挂载到-t指定的docker容器中的target目录,并启动
这步注意,如果执行报错无法识别type=bind, 那应该是source的路径有问题

4、调用这个服务,这里用的http接口

$curl -d '{"instances": [1.0, 2.0, 5.0]}' \
-X POST http://localhost:8501/v1/models/half_plus_two:predict
得到的结果如下:

{ "predictions": [2.5, 3.0, 4.5] }
这就表明服务已经部署成功了,当然你也可以用requests来模型上述http请求

5、查看启动的这个模型的目录的结构

我们可以看到启动服务的命令有一个参数:

source=/root/software/serving/tensorflow_serving/servables/tensorflow/testdata/saved_model_half_plus_two_cpu
这实际就是模型的位置, 我们进入到这个目录下(这个目录基于自己pull时所在的目录),可以看到里面是一个名为00000123的目录,这实际是模型的版本,再进入到这个目录下可以看到一个如下两个文件:

saved_model.pb, variables
variable目录下有如下两个文件:

variables.data-00000-of-00001, variables.index
6、用自己的模型替换上述half_plus_two模型

我在和saved_model_half_plus_two_cpu模型同级的目录下创建了一个文件夹,名为textcnnrnn, 这是我模型的名称,然后

$cd textcnnrnn
$mkdir 00000123
$cd 00000123
$mkdir variables
$cd variables
我一开始是直接用的我之前训练好的模型放到了variables目录下,我训练好的模型包含如下几个文件:

best_validation.data-00000-of-00001 best_validation.index best_validation.meta checkpoint
相信大家都看出来了,这个是用这种方式保存的:

saver = tf.train.Saver()
saver.save(sess=session, save_path=save_path)
于是我激动的去重新启动我的模型,当然这里要修改模型的地址,我也把我的模型的名字改了下:

docker run -p 8501:8501 --mount source=/root/software/serving/tensorflow_serving/servables/tensorflow/testdata/textcnnrnn,type=bind,target=/models/find_lemma_category -e MODEL_NAME=find_lemma_category -t tensorflow/serving &
可是这个时候报错了,做法不对。下面是正确的做法。

其实仔细比较我的模型的几个文件和half_plus_two模型的下的文件的结构根本不一样,怎么办呢? 其实应该对模型的格式进行转换。 代码如下:

# coding: utf-8

from __future__ import print_function
import pdb
import time
import os
import tensorflow as tf
import tensorflow.contrib.keras as kr

from cnn_rnn_model import TCNNRNNConfig, TextCNNRNN

save_path = 'model_saver/textcnnrnn/best_validation'
try:
bool(type(unicode))
except NameError:
unicode = str

config = TCNNRNNConfig()

def build_and_saved_wdl():

model = TextCNNRNN(config) #我自己的模型结构是在这个类中定义的,基于自己的模型进行替换

session = tf.Session()
session.run(tf.global_variables_initializer())
saver = tf.train.Saver()
saver.restore(sess=session, save_path=save_path)

# 将训练好的模型保存在model_name下,版本为2,当然你的版本可以随便写
builder = tf.saved_model.builder.SavedModelBuilder("./model_name/2")
inputs = {
#注意,这里是你预测模型的时候需要传的参数,调用模型的时候,传参必须和这里一致
#这里的model.input_x和model.keep_prob就是模型里面定义的输入placeholder
"input_x": tf.saved_model.utils.build_tensor_info(model.input_x),
"keep_prob": tf.saved_model.utils.build_tensor_info(model.keep_prob)
}

#model.y_pred_cls是模型的输出, 预测的时候就是计算这个表达式
output = {"output": tf.saved_model.utils.build_tensor_info(model.y_pred_cls)}
prediction_signature = tf.saved_model.signature_def_utils.build_signature_def(
inputs=inputs,
outputs=output,
method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME
)

builder.add_meta_graph_and_variables(
session,
[tf.saved_model.tag_constants.SERVING],
{tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY: prediction_signature}
)
builder.save()


if __name__ == '__main__':
build_and_saved_wdl()
执行后,会在当前目录下生成一个名称为./model_name/2的文件夹, 这个文件夹下的文件格式和halt_plus_two中的文件格式是一致的了,这下肯定没错了。

将./model_name/2文件夹下的内容拷贝到textcnnrnn/00000123目录下即可。

重新启动模型,这次启动成功了,没有报错,说明我们的模型已经被识别成功。

7、调用模型

咋调啊?咋传参数啊?懵逼,先看看调用自带的模型怎么传参数的吧:

curl -d '{"instances": [1.0, 2.0, 5.0]}' \
-X POST http://localhost:8501/v1/models/half_plus_two:predict
看样子instances应该是参数的名字,于是我想看看tensorflow serving源码里面是怎么解析这个参数的,所以我在源码根目录下全局搜索了这个关键字,在根目录下搜索关键词instances:

$find . -name '*.*' | xargs grep -l instances
可以找到一个名为json_tensor.h的文件,这个文件详细介绍了不同的传参的方式:

 

instances是一个list,list中每个元素是一个待预测实例,每个实例里面是所有参数的值, 所以参数按照这种方式构造就可以了。

这里json.dumps的时候可能会遇到一个序列化的错误,原因是json.dumps对于含numpy.array类型的数据无法序列化, 可以构造一个编码器, 然后作为json.dumps参数:

class NumpyEncoder(json.JSONEncoder):
def default(self, obj):
if isinstance(obj, np.ndarray):
return obj.tolist()
return json.JSONEncoder.default(self, obj)
p_data = {"keep_prob": 1.0, "input_x": x_test[0]}
param = {"instances": [p_data]}
param = json.dumps(param, cls=NumpyEncoder)
res = requests.post('http://localhost:8501/v1/models/find_lemma_category:predict', data=param)
这样就大功告成了!

这里还有一个地方需要注意:其实我的模型Input_x本身是直接可以接收多个实例的,也就是上面我的参数x_test是多个实例构造的参数,但是直接传入会出错,所以我只能传入一个实例x_test[0]。 如果想同时预测多个的话只能这样构造参数:

data1 = {"keep_prob": 1.0, "input_x": x_test[0]}
data2 = {"keep_prob": 1.0, "input_x": x_test[1]}
data3 = {"keep_prob": 1.0, "input_x": x_test[2]}
param = {"instances": [data1, data2, data3]}
param = json.dumps(param, cls=NumpyEncoder)
res = requests.post('http://localhost:8501/v1/models/find_lemma_category:predict', data=param)
8、参数要预处理怎么办?

假如我们需要在将参数输入模型之前做一些预处理怎么办?比如要对大段文本进行分词等等。

解决办法: 部署一个中转服务,我采用的策略是用tornado再部署一个服务,这个服务负责对业务方传输过来的参数进行预处理,处理成模型需要的格式后,再传输给模型, 所以我的结构是这样的:

业务方 ==>  tornado服务(参数预处理) ==> 模型(tensorflow serving服务)

这里面的两次远程调用都是http协议。

 

参考地址:

    https://www.tensorflow.org/serving/docker

    https://www.jianshu.com/p/2fffd0e332bc

 
————————————————
版权声明:本文为CSDN博主「生活不只*眼前的苟且」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/u011734144/article/details/82107610

posted @ 2020-04-20 13:35  郑文亮  阅读(288)  评论(0编辑  收藏