模型秒变API只需一行代码,支持TensorFlow等框架

模型秒变API只需一行代码,支持TensorFlow等框架

还在为机器学习模型打包成 API 发愁?这个工具能让你一行代码直接打包。

专注于机器学习应用的人们知道,从训练好的模型到实际的工业生产工具还有一定的距离。其中工作量很大的地方在于将模型打包,预留 API 接口,并和现有的生产系统相结合。近日,GitHub 上有了这样一个项目,能够让用户一行代码将任意模型打包为 API。这一工具无疑能够帮助开发者在实际的生产应用中快速部署模型。

项目地址:https://github.com/cortexlabs/cortex

项目特点和原理

该项目名为 Cortex,是一个命令行工具。作者表示,该项目具有以下优点:

  • 自动定义:Cortex 可以自动定义需要负责生产工作的 API;
  • 多框架支持:Cortex 支持多种机器学习框架,包括 TensorFlow、PyTorch、scikit-learn、XGBoost 等;
  • CPU/GPU 支持:Cortex 能够在 CPU 或者 GPU 上进行推理工作;
  • 回滚式更新:Cortex 可以对部署的 API 直接更新;
  • 日志流:Cortex 会保留部署模型的日志流,并在 CLI 上显示;
  • 预测监控:Cortex 能够监控网络的评价指标,并追踪预测结果;
  • 最小配置:部署时,用户只需要在一个名为 cortex.yaml 的文件中配置相关属性。

这一项目是怎样工作的?具体而言,每当用户运行 cortex deploy 时,命令行将配置属性和代码发送到服务器集群上。每个模型都载入到一个 Docker 容器中,包括相关的 Python 包和处理请求的代码。模型通过网络服务,如 Elastic Load Balancing (ELB)、Flask、TensorFlow Serving 和 ONNX Runtime 公开 API 给用户使用。容器通过 Elastic Kubernetes Service (EKS) 进行控制,而日志文件和评价指标的记录和打印工作由 CloudWatch 完成。

使用方法

使用过程主要分为以下三个步骤:

定义模型的 API

  1. # predictor.py 
  2. model = download_my_model()def predict(sample, metadata): return model.predict(sample["text"]) 

如上所示,用户需要做的是定义代表这个 API 的函数,使其能够根据输入数据返回输出。

配置部署

  1. $ curl http://***.amazonaws.com/sentiment/classifier \-X POST -H "Content-Type: application/json" \-d '{"text": "the movie was great!"}' 
  2. positive 

第二个步骤中,用户需要创建一个新的 yaml 文件,这个文件用于配置相关属性。

具体而言,用户可以定义部署模型的名称,本例中名为 classifierpredictor。然后还需要定义 API 的名称,如 classifierpredictor 以及路径、模型的类型和使用的 GPU 数量等。

AWS 部署

  1. $ cortex deploy 
  2. creating classifier (http://***.amazonaws.com/sentiment/classifier) 

以 AWS 为例,以上工作完成后,用户可以创建这个 API,使其利用 AWS 进行工作。

当然,用户还可以实时保存推断结果,如下所示:

  1. $ curl http://***.amazonaws.com/sentiment/classifier \-X POST -H "Content-Type: application/json" \-d '{"text": "the movie was great!"}' 
  2. positive 

此外,用户还可以监控运行结果。

  1. $ cortex get classifier --watch 
  2. status up-to-date available requested last update avg latencylive 1 1 1 8s 123ms 
  3. class countpositive 8negative 4 

使用教程

为了让用户更好地使用这一工具,项目作者同时还提供了一些使用案例。包括:

  • 基于 TensorFlow 和 BERT 进行情感分析:https://github.com/cortexlabs/cortex/tree/0.10/examples/tensorflow/sentiment-analysis
  • 基于 TensorFlow 和 Inception 模型进行图像分类:https://github.com/cortexlabs/cortex/tree/0.10/examples/tensorflow/image-classifier
  • 基于 PyTorch 和 DistilGPT2 进行文本生成:https://github.com/cortexlabs/cortex/tree/0.10/examples/pytorch/text-generator
  • 基于 XGBoost / ONNX 进行虹膜分类:https://github.com/cortexlabs/cortex/tree/0.10/examples/xgboost/iris-classifier

以使用 BERT 进行情感分析为例:

首先用户需要在模型上定义 API 接口函数,使其可以通过函数输入数据,并返回模型的推理结果。这一 py 文件被定义为 handler.py:

  1. # handler.py 
  2. import tensorflow as tfimport tensorflow_hub as hubfrom bert import tokenization, run_classifier 
  3. labels = ["negative""positive"
  4. with tf.Graph().as_default(): bert_module = hub.Module("https://tfhub.dev/google/bert_uncased_L-12_H-768_A-12/1") info = bert_module(signature="tokenization_info", as_dict=True)with tf.Session() as sess: vocab_file, do_lower_case = sess.run([info["vocab_file"], info["do_lower_case"]]) tokenizer = tokenization.FullTokenizer(vocab_file=vocab_file, do_lower_case=do_lower_case) 
  5.  
  6. def pre_inference(sample, signature, metadata): input_example = run_classifier.InputExample(guid="", text_a=sample["review"], label=0) input_feature = run_classifier.convert_single_example(0, input_example, [01], 128, tokenizer) return {"input_ids": [input_feature.input_ids]} 
  7.  
  8. def post_inference(prediction, signature, metadata): return labels[prediction["labels"][0]] 

接着,用户需要定义配置 yaml 文件,在文件中指定相关属性,这里需要注意,文件名必须定义为 cortex.yaml:

  1. # cortex.yaml 
  2. - kind: deployment name: sentiment 
  3. - kind: api name: classifier tensorflow: model: s3://cortex-examples/tensorflow/sentiment-analysis/bert request_handler: handler.py tracker: model_type: classification 

从中可以看到,yaml 文件中需要指定出使用的模型,以及作为 API 接口的 py 文件(即第一步中定义了的 py 文件)。

然后进行部署即可:

  1. $ cortex deploy 
  2. deployment started 

如果需要获得监控信息,则需要输入 cortex get 命令:

  1. $ cortex get classifier --watch 
  2. status up-to-date available requested last update avg latencylive 1 1 1 8s 

相关推荐