手把手：我的深度学习模型训练好了，然后要做啥？

[[219745]]

大数据文摘作品

编译：姜范波、云舟

本文讲的是如何快速而不求***地部署一个训练好的机器学习模型并应用到实际中。如果你已经成功地使用诸如Tensorflow或Caffe这样的框架训练好了一个机器学习模型，现在你正在试图让这个模型能够快速的演示，那么读这篇文章就对了。

使用前检查清单

• 检查tensorflow的安装
• 从 stdin 运行在线分类
• 在本地运行分类
• 把分类器放到硬编码(hardcoded)的代理
• 把分类器放到有服务发现(service discovery)的代理
• 用一个伪DNS调用分类器

机器学习的实际应用

当我们***次进入Hive的机器学习空间时，针对我们的实际应用场景，我们已经拥有了数百万张准确标记的图像，这些图像使我们能够在一周之内，从头开始训练***进的深度卷积神经网络图像分类模型(即随机权重)。然而，在更典型的应用场景中，图像的数量级通常只有数百幅，这种情况下，我建议微调现有的模型。比如，

https://www.tensorflow.org/tutorials/image_retraining有一个关于如何微调Imagenet模型(在1.2M图像上训练1000个类别)以对花进行分类的样本数据集(3647个图像， 5个类别)。

上面的Tensorflow教程简要而言，是在安装bazel和tensorflow之后，需要运行以下代码，用大约30分钟的来建模，5分钟来训练：

( 
cd "$HOME" && \ 
curl -O http://download.tensorflow.org/example_images/flower_photos.tgz && \ 
tar xzf flower_photos.tgz ; 
) && \ 
bazel build tensorflow/examples/image_retraining:retrain \ 
          tensorflow/examples/image_retraining:label_image \ 
&& \ 
bazel-bin/tensorflow/examples/image_retraining/retrain \ 
  --image_dir "$HOME"/flower_photos \ 
  --how_many_training_steps=200 
&& \ 
bazel-bin/tensorflow/examples/image_retraining/label_image \ 
  --graph=/tmp/output_graph.pb \ 
  --labels=/tmp/output_labels.txt \ 
  --output_layer=final_result:0 \ 
  --image=$HOME/flower_photos/daisy/21652746_cc379e0eea_m.jpg 

或者，如果你安装了Docker，则可以使用以下预构建的Docker镜像：

sudo docker run -it --net=host liubowei/simple-ml-serving:latest /bin/bash 
 
>>> cat test.sh && bash test.sh 

这将进入容器内部的交互式shell中并运行上述命令; 如果你愿意的话，也可以按照容器内的其余部分进行操作。

现在，tensorflow已经将模型信息保存到/tmp/output_graph.pb和/tmp/output_labels.txt中，这些作为命令行参数传递给label_image.py脚本。Google的image_recognition教程也链接到另一个脚本，但是这里我们仍将使用label_image.py。

将本地运行转换为在线运行(Tensorflow)

如果我们只想接受来自标准输入的文件名，每行一个，我们就可以很容易地进行“在线”运行：

while read line ; do 
bazel-bin/tensorflow/examples/image_retraining/label_image \ 
--graph=/tmp/output_graph.pb --labels=/tmp/output_labels.txt \ 
--output_layer=final_result:0 \ 
--image="$line" ; 
done 

然而，从性能的角度来看这样糟糕透了—— 每一个输入都要重新加载神经网络，权重，整个Tensorflow框架和python本身!

当然可以改进。先修改label_image.py 脚本。对我而言，这个脚本的位置在：

in bazel-bin/tensorflow/examples/image_retraining/label_image.runfiles/org_tensorflow/tensorflow/examples/image_retraining/label_image.py. 

修改如下：

141:  run_graph(image_data, labels, FLAGS.input_layer, FLAGS.output_layer, 
142:        FLAGS.num_top_predictions)141:  for line in sys.stdin: 

修改后马上快了很多，但这还不是***。

141:  run_graph(image_data, labels, FLAGS.input_layer, FLAGS.output_layer, 
142:        FLAGS.num_top_predictions)141:  for line in sys.stdin: 

原因在于用with tf.Session()构建对话。Tensorflow本质上是在每次调用run_graph时将所有的计算加载到内存中。一旦开始尝试在GPU上进行运算，这一点就会变得很明显——可以看到GPU内存使用随着Tensorflow加载和卸载GPU的模型参数而上下波动。据我所知，这种结构并不存在于Caffe或Pytorch框架中。

解决方法是把with命令去掉，传递一个sess变量到run_graph：

def run_graph(image_data, labels, input_layer_name, output_layer_name, 
              num_top_predictions, sess): 
    # Feed the image_data as input to the graph. 
    #   predictions will contain a two-dimensional array, where one 
    #   dimension represents the input image count, and the other has 
    #   predictions per class 
    softmax_tensor = sess.graph.get_tensor_by_name(output_layer_name) 
    predictions, = sess.run(softmax_tensor, {input_layer_name: image_data}) 
    # Sort to show labels in order of confidence 
    top_k = predictions.argsort()[-num_top_predictions:][::-1] 
    for node_id in top_k: 
      human_string = labels[node_id] 
      score = predictions[node_id] 
      print('%s (score = %.5f)' % (human_string, score)) 
    return [ (labels[node_id], predictions[node_id].item()) for node_id in top_k ] # numpy floats are not json serializable, have to run item 
 
... 
 
  with tf.Session() as sess: 
    for line in sys.stdin: 
      run_graph(load_image(line), labels, FLAGS.input_layer, FLAGS.output_layer, 
          FLAGS.num_top_predictions, sess) 

如果你运行完这一段，你会发现每张图只需要大约0.1秒，对于在线应用来说已经够快了。

将本地运行转换为在线运行(其他ML框架)

Caffe使用net.forward代码，很容易被放入一个可调用的框架中：

see http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb

Mxnet也是非常独特的：它实际上已经准备好了面向大众的服务器代码。

部署

我们的计划是，将这些代码包装到一个Flask应用程序中。如果你没有听说Flask，简单解释一下，Flask是一个非常轻量级的Python Web框架，它允许你以最少的工作启动一个http api服务器。

作为一个快速参考，这里是一个Flask应用程序，它接收包含多部分表单数据的POST请求：

#!/usr/bin/env python 
# usage: python echo.py to launch the server ; and then in another session, do 
# curl -v -XPOST 127.0.0.1:12480 -F "data=@./image.jpg" 
from flask import Flask, request 
app = Flask(__name__) 
@app.route('/', methods=['POST']) 
def classify(): 
    try: 
        data = request.files.get('data').read() 
        print repr(data)[:1000] 
        return data, 200 
    except Exception as e: 
        return repr(e), 500 
app.run(host='127.0.0.1',port=12480) 

这里是如何将相应的FLASK应用程序连接到上面的run_graph：

And here is the corresponding flask app hooked up to run_graph above: 
 
#!/usr/bin/env python 
# usage: bash tf_classify_server.sh 
from flask import Flask, request 
import tensorflow as tf 
import label_image as tf_classify 
import json 
app = Flask(__name__) 
FLAGS, unparsed = tf_classify.parser.parse_known_args() 
labels = tf_classify.load_labels(FLAGS.labels) 
tf_classify.load_graph(FLAGS.graph) 
sess = tf.Session() 
@app.route('/', methods=['POST']) 
def classify(): 
    try: 
        data = request.files.get('data').read() 
        result = tf_classify.run_graph(data, labels, FLAGS.input_layer, FLAGS.output_layer, FLAGS.num_top_predictions, sess) 
        return json.dumps(result), 200 
    except Exception as e: 
        return repr(e), 500 
app.run(host='127.0.0.1',port=12480) 

模型部署至此看起来还是相当不错的。除了一点——需要FlASK和Tensorflow完全同步——Flask按照接收的顺序一次处理一个请求，并且Tensorflow在进行图像分类时完全占用线程。

速度瓶颈可能还是在实际的计算工作中，所以升级Flask包装代码没有太多的意义。现在，也许这个代码足以处理你的负载。

有两种显而易见的方法可以扩大请求的通量：通过增加工人数量来横向放大，这在下一节将会介绍，或者通过使用GPU和批处理逻辑来纵向扩展。实现后者需要一个能够一次处理多个待处理请求的web服务器，并决定是否继续等待更大的批处理或将其发送到Tensorflow图形线程进行分类，对于这个Flask应用程序是非常不适合的。有两种可能性：使用Twisted + Klein来保留Python代码，或者如果你更喜欢***的事件循环支持，并且能够连接到非Python ML框架(如Torch)，则可以使用Node.js + ZeroMQ。

扩展：负载平衡和服务发现

那么，假设现在你只有一台服务器来部署模型，由于它太慢了，或者我们的负载变得太高了，此时你想要启动更多服务器——如何在每个服务器上分配请求?

常规的方法是添加一个代理层，也许是haproxy或nginx，它能够平衡后端服务器之间的负载，同时向客户端呈现一个统一的接口。为了在本节稍后使用，以下是运行基本Node.js负载均衡器http代理的一些示例代码：

// Usage : node basic_proxy.js WORKER_PORT_0,WORKER_PORT_1,... 
const worker_ports = process.argv[2].split(',') 
if (worker_ports.length === 0) { console.err('missing worker ports') ; process.exit(1) } 
 
const proxy = require('http-proxy').createProxyServer({}) 
proxy.on('error', () => console.log('proxy error')) 
 
let i = 0 
require('http').createServer((req, res) => { 
  proxy.web(req,res, {target: 'http://localhost:' + worker_ports[ (i++) % worker_ports.length ]}) 
}).listen(12480) 
console.log(`Proxying localhost:${12480} to [${worker_ports.toString()}]`) 
 
// spin up the ML workers 
const { exec } = require('child_process') 
worker_ports.map(port => exec(`/bin/bash ./tf_classify_server.sh ${port}`)) 

为了自动检测后端服务器的数量和位置，人们通常使用“服务发现”工具，该工具可能与负载平衡器捆绑在一起，或者是分开的。一些知名例子的是Consul和Zookeeper。设置和学习使用它们不在本文的讨论范围之内，所以我使用了一个非常基本的，通过node.js服务发现包seport实现的代理。

Proxy代码：

// Usage : node seaport_proxy.js 
const seaportServer = require('seaport').createServer() 
seaportServer.listen(12481) 
const proxy = require('http-proxy').createProxyServer({}) 
proxy.on('error', () => console.log('proxy error')) 
 
let i = 0 
require('http').createServer((req, res) => { 
  seaportServer.get('tf_classify_server', worker_ports => { 
    const this_port = worker_ports[ (i++) % worker_ports.length ].port 
    proxy.web(req,res, {target: 'http://localhost:' + this_port }) 
  }) 
}).listen(12480) 
console.log(`Seaport proxy listening on ${12480} to '${'tf_classify_server'}' servers registered to ${12481}`) 

Worker代码：

// Usage : node tf_classify_server.js 
const port = require('seaport').connect(12481).register('tf_classify_server') 
console.log(`Launching tf classify worker on ${port}`) 
require('child_process').exec(`/bin/bash ./tf_classify_server.sh ${port}`) 

然而，当应用于机器学习时，这个设置遇到了带宽问题。

每秒几十到几百张图像，这个系统就会成为网络带宽的瓶颈。在目前的设置中，所有的数据都必须通过我们的单个seaport 主节点，这也是呈现给客户端的端点。

为了解决这个问题，我们需要我们的客户端不要访问http://127.0.0.1:12480这个端点，而是要在后端服务器之间通过自动轮换来访问。如果你懂网络，一定会想：这不就是DNS干的活嘛!

但是，设置自定义的DNS服务器已经超出了本文的范围。相反，通过更改客户端以遵循两步“手动DNS”协议，我们可以重新使用我们的基础版的seaport 代理来实现客户端直接连接到其服务器的“点对点”协议：

Proxy代码：

// Usage : node p2p_proxy.js 
const seaportServer = require('seaport').createServer() 
seaportServer.listen(12481) 
 
let i = 0 
require('http').createServer((req, res) => { 
  seaportServer.get('tf_classify_server', worker_ports => { 
    const this_port = worker_ports[ (i++) % worker_ports.length ].port 
    res.end(`${this_port} 
`) 
  }) 
}).listen(12480) 
console.log(`P2P seaport proxy listening on ${12480} to 'tf_classify_server' servers registered to ${12481}`)（Worker 代码同上） 

Client代码：

curl -v -XPOST localhost:`curl localhost:12480` -F"data=@$HOME/flower_photos/daisy/21652746_cc379e0eea_m.jpg" 

结论和进一步阅读

至此你的系统应该可以进入实际应用了，但它总是要发展的。本指南中未涉及几个重要的主题：

1. 新硬件上的自动部署和设置。

• 值得注意的工具包括Openstack / VMware(如果您使用的是自己的硬件)，Chef / Puppet(用于安装Docker并处理网络路由)以及Docker(用于安装Tensorflow，Python等)。
• 如果你在云端，Kubernetes或Marathon / Mesos也很棒

2. 模型版本管理

• 一开始手动管理不难。
• Tensorflow Serving是一个很好的工具，可以非常彻底地处理这个问题，以及批处理和整体部署。 缺点是设置和编写客户端代码有点难，另外不支持Caffe / PyTorch。

3. 如何将机器学习代码从Matlab中迁移出来。

• 在生产阶段不要用Matlab

4. GPU驱动，Cuda，CUDNN

• 使用nvidia-docker，试试其它的在线Dockfiles。

5. 后处理层。

• 一旦你在生产中得到了一些不同的ML模型，你可能会开始想要混合和匹配不同的用例——只有在模型B不确定的情况下才运行模型A，在Caffe中运行模型C并将结果传递给模型D在Tensorflow 等等。

来源：

https://thehive.ai/blog/simple-ml-serving?utm_campaign=Revue%20newsletter&utm_medium=Newsletter&utm_source=The%20Wild%20Week%20in%20AI

【本文是51CTO专栏机构大数据文摘的原创译文，微信公众号“大数据文摘（ id: BigDataDigest）”】

     

 

戳这里，看该作者更多好文