當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

【TensorFlow-serving】初步学习模型部署

發(fā)布時間：2023/12/13 编程问答 29 豆豆

生活随笔收集整理的這篇文章主要介紹了【TensorFlow-serving】初步学习模型部署小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

前言

初步學習tensorflow serving的手寫數(shù)字識別模型部署。包括簡單的模型訓練、保存、部署上線。因為對docker和網(wǎng)絡不太熟悉，可能會有部分錯誤，但是看完博客，能跑通整個流程。此博客將詳細介紹流程，但是不詳細介紹每個流程的每步的含義，因為這些步驟不會隨著任務的不同而發(fā)生太大改變。在后續(xù)博客中可能會精細介紹每一步的含義。

國際慣例，參考博客：

tensorflow官方文檔：低階API保存和恢復

tensorflow官方文檔：tensorflow serving

tensorflow github案例：mnist和resnet

Tensorflow SavedModel模型的保存與加載

如何用TF Serving部署TensorFlow模型

Tensorflow Serving | Tensorflow Serving

Tensorflow使用SavedModel格式模型

我們給你推薦一種TensorFlow模型格式

使用 TensorFlow Serving 和 Docker 快速部署機器學習服務

如何將TensorFlow Serving的性能提高超過70%？

模型構(gòu)建

跟之前的博客一樣，簡單搭建一個卷積網(wǎng)絡，輸入數(shù)據(jù)是mnist，還有損失函數(shù)和評估函數(shù):

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_datasteps = 1000 batch_size = 100 mnist = input_data.read_data_sets('./mnist_dataset',one_hot=True)def conv_network(x):x = tf.reshape(x,[-1,28,28,1])# 第一層卷積conv1 = tf.layers.conv2d(inputs=x,filters=32,kernel_size=[5,5],activation=tf.nn.relu)conv1 = tf.layers.max_pooling2d(conv1,pool_size=[2,2],strides=[2,2])#第二層卷積conv2 = tf.layers.conv2d(inputs=conv1,filters=64,kernel_size=[3,3],activation=tf.nn.relu)conv2 = tf.layers.max_pooling2d(conv2,pool_size=[2,2],strides=[2,2])#第三層卷積conv3 = tf.layers.conv2d(inputs=conv2,filters=32,kernel_size=[3,3],activation=tf.nn.relu)conv3 = tf.layers.max_pooling2d(inputs=conv3,pool_size=[2,2],strides=[2,2])#全連接fc1 = tf.layers.flatten(conv3)fc1 = tf.layers.dense(fc1,500,activation=tf.nn.relu)#輸出分類fc2 = tf.layers.dense(fc1,10)return fc2#輸入輸出容器 input_x = tf.placeholder(dtype=tf.float32,shape=[None,28*28],name='X') input_y = tf.placeholder(dtype=tf.int32,shape=[None,10])#損失函數(shù) model = conv_network(input_x) logit_loss = tf.nn.softmax_cross_entropy_with_logits_v2(labels=input_y,logits=model) optimize = tf.train.AdamOptimizer(0.001).minimize(logit_loss) #評估 pred_equal = tf.equal(tf.arg_max(model,1),tf.arg_max(input_y,1)) accuracy = tf.reduce_mean(tf.cast(pred_equal,tf.float32))

模型保存

傳統(tǒng)方法checkpoint

這部分就不細說了，我們之前訓練模型基本都是這個方法：

init = tf.global_variables_initializer() saver = tf. train.Saver(max_to_keep=1) tf.add_to_collection('pred',model)with tf.Session() as sess:sess.run(init)for step in range(steps):data_x,data_y = mnist.train.next_batch(batch_size)test_x,test_y = mnist.test.next_batch(1000) train_acc = sess.run(optimize,feed_dict={input_x:data_x,input_y:data_y}) if(step % 100==0 or step==1):accuracy_val = sess.run(accuracy,feed_dict={input_x:data_x,input_y:data_y})print('steps:{0},val_loss:{1}'.format(step,accuracy_val))#保存模型print('train finished!')saver.save(sess,'./model/cnn')

主要就是利用tf.train.Saver保存訓練好的模型

為tesorflow serving準備的模型保存方法

第一步：準備好模型需要保存的位置以及版本控制：

model_version = 1 #版本控制 export_path_base = '/tmp/cnn_mnist' export_path = os.path.join(tf.compat.as_bytes(export_path_base),tf.compat.as_bytes(str(model_version))) print('Exporting trained model to',export_path) builder = tf.saved_model.builder.SavedModelBuilder(export_path)tensor_info_x = tf.saved_model.utils.build_tensor_info(input_x) tensor_info_y = tf.saved_model.utils.build_tensor_info(model) prediction_signature = (tf.saved_model.signature_def_utils.build_signature_def(inputs={'images':tensor_info_x},outputs={'scores':tensor_info_y},method_name = tf.saved_model.signature_constants.PREDICT_METHOD_NAME))

此處注意，如果你的export_path_base/model_version目錄存在，將會報錯，因為tensorflow serving有一個有點就是在更新模型的時候，無需停止服務，服務是根據(jù)版本來控制的，所以每次訓練都是一個新版本。而且這個模型最好是絕對路徑，因為后續(xù)部署服務的時候，模型不能是相對路徑。

錯誤提示：

AssertionError: Export directory already exists. Please specify a different export directory: b'/tmp/cnn_mnist/1'

第二步：將輸入輸出打包起來，方便從客戶端接收參數(shù)

prediction_signature = (tf.saved_model.signature_def_utils.build_signature_def(inputs={'images':tensor_info_x},outputs={'scores':tensor_info_y},method_name = tf.saved_model.signature_constants.PREDICT_METHOD_NAME))

注意這里有個method_name, 這個需要用tf.saved_model.signature_constants.里面的一系列NAME，因為后續(xù)客戶端傳遞給服務端的請求是json格式，而predcit、regress、classify任務的json格式有區(qū)別，具體格式看這里，當然后面也會講到

第三步：就是在Session中保存模型了

#訓練與保存 with tf.Session() as sess:sess.run(tf.global_variables_initializer())for step in range(steps):data_x,data_y = mnist.train.next_batch(batch_size)test_x,test_y = mnist.test.next_batch(1000) train_acc = sess.run(optimize,feed_dict={input_x:data_x,input_y:data_y}) if(step % 100==0 or step==1):accuracy_val = sess.run(accuracy,feed_dict={input_x:data_x,input_y:data_y})print('steps:{0},val_loss:{1}'.format(step,accuracy_val))#保存模型 builder.add_meta_graph_and_variables(sess,[tf.saved_model.tag_constants.SERVING],signature_def_map = {'predict_images':prediction_signature},main_op = tf.tables_initializer(),strip_default_attrs = True)builder.save()print('Done exporting')

這一步，官方文檔有詳細介紹，具體參數(shù)的使用沒仔細看，目前只需要前面三個必須傳入sess、tag、signature_def_map，重點是將上面定義的包含輸入輸出與任務種類的prediction_signature傳進來。給個名字predict_images是為了后續(xù)調(diào)用服務的時候，說明我們要調(diào)用哪個服務，所以這個signature_def_map理論上應該可以包含多個任務接口，而官方例子也有相關操作：

builder.add_meta_graph_and_variables(sess, [tf.saved_model.tag_constants.SERVING],signature_def_map={'predict_images':prediction_signature,tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY:classification_signature,},main_op=tf.tables_initializer(),strip_default_attrs=True)

至此，為tensorflow serving提供的模型文件是如何訓練和保存的已經(jīng)介紹完畢，在下一篇博客應該會探索如何將訓練好的checkpoint轉(zhuǎn)換為tensorflow serving可使用的模型文件。

通過docker部署模型

安裝docker的方法在這里能找到，或者docker官方文檔我當時好像就一句話搞定：

sudo apt install docker.io

因為我以前沒裝過docker，服務器上用過一丟丟。

tensorflow serving鏡像

首先拉取tensorflow的鏡像：

docker pull tensorflow/serving

有時候由于環(huán)境限制，可以從別人pull好的鏡像中恢復，鏡像的導出和導入可參考此處，主要用到了：

有鏡像的電腦導出鏡像：

docker save 582a4 > tensorflow_serving.tar

其中582a4是用docker images查看的tensorflow/serving的ID。

無鏡像的電腦導入鏡像：

docker load < tensorflow_serving.tar

通常導入以后，REPOSITORY和TAG是none，最好給個名區(qū)分：

docker tag 91abe tensorflow/serving:latest

這里我備用了一份tensorflow/serving鏡像：

鏈接: https://pan.baidu.com/s/1l_ZGVkRKcP4HgSKxGgekRA 提取碼: ewqv

啟動在線服務

方法一：

docker run -p 9500:8500 -p:9501:8501 \ --mount type=bind,source=/tmp/cnn_mnist,target=/models/cnn_mnist \ -e MODEL_NAME=cnn_mnist -t tensorflow/serving

這句話的意思就是：

啟動docker容器container
實現(xiàn)gRPC和REST端口到主機端口的映射，注意，port1:port2，前者是主機端口，后者是tensorflow serving docker的gRPC和REST端口。主機端口port1可以隨便改，只要沒被占用，但是tensorflow serving docker的兩個端口固定，不能動。

終端通過sudo netstat -nap可以看到tcp6中開啟了兩個端口，分別就是9500和9501。

運行容器后的最后一部分輸出是

2019-09-03 11:21:48.489776: I tensorflow_serving/servables/tensorflow/saved_model_warmup.cc:103] No warmup data file found at /models/cnn_mnist/1/assets.extra/tf_serving_warmup_requests 2019-09-03 11:21:48.489938: I tensorflow_serving/core/loader_harness.cc:86] Successfully loaded servable version {name: cnn_mnist version: 1} 2019-09-03 11:21:48.504477: I tensorflow_serving/model_servers/server.cc:324] Running gRPC ModelServer at 0.0.0.0:8500 ... [warn] getaddrinfo: address family for nodename not supported 2019-09-03 11:21:48.519991: I tensorflow_serving/model_servers/server.cc:344] Exporting HTTP/REST API at:localhost:8501 ... [evhttp_server.cc : 239] RAW: Entering the event loop ...

可以發(fā)現(xiàn)，服務端自動查找新模型，同事給出了gRPC和REST的端口，但是這連個端口貌似用不了，難道是因為我們做映射了？后面所有的訪問，無論是用docker的ip還是用host的ip，一律通過ip:9500/9501接收請求。

方法二

docker run -t --rm -p 9500:8500 -p:9501:8501 \-v "/tmp/cnn_mnist:/models/cnn_mnist" \-e MODEL_NAME=cnn_mnist \tensorflow/serving

其實和上面一樣，只不過對docker的用法不同而已。

如果對docker比較熟悉，可以兩種方法都記住，不熟悉的話，熟記一種方法就行了。

測試服務是否開通

下面的dockerip與hostip分別為ifconfig -a查出來的docker和host的ip

測試1:
輸入：curl http://localhost:8501/v1/models/cnn_mnist
輸出：curl: (7) Failed to connect to localhost port 8501: 拒絕連接
測試2：
輸入：curl http://localhost:8500/v1/models/cnn_mnist
輸出：curl: (7) Failed to connect to localhost port 8500: 拒絕連接
測試3：
輸入：curl http://dockerip:9500/v1/models/cnn_mnist
輸出：
Warning: Binary output can mess up your terminal. Use "--output -" to tell Warning: curl to output it to your terminal anyway, or consider "--output Warning: <FILE>" to save to a file.
說明沒有拒絕連接
測試4：
輸入：curl http://hostip:9500/v1/models/cnn_mnist
輸出：
Warning: Binary output can mess up your terminal. Use "--output -" to tell Warning: curl to output it to your terminal anyway, or consider "--output Warning: <FILE>" to save to a file.
說明沒有拒絕連接
測試5：
輸入：curl http://dockerip:9501/v1/models/cnn_mnist
輸出：
{"model_version_status": [{"version": "1","state": "AVAILABLE","status": {"error_code": "OK","error_message": ""}}] }
沒拒絕連接
測試6：
輸入：curl http://hostip:9501/v1/models/cnn_mnist
輸出：
{"model_version_status": [{"version": "1","state": "AVAILABLE","status": {"error_code": "OK","error_message": ""}}] }

暫時測試這幾種情況，其余組合自己可以測試看看，如果拒絕連接，那就說明ip和對應接口組合不通，無法調(diào)用服務。

調(diào)用模型

上面說過了，tensorflow serving有兩類端口：gRPC和REST API，關于這兩個區(qū)別，可以查看這里，下面分別講解tensorflow serving中分別怎么請求和解析返回數(shù)據(jù)。

注意手寫數(shù)字識別模型接受的是$ (None,784) $的向量

使用gRPC

引入必要包：

import argparse import tensorflow as tf from tensorflow_serving.apis import predict_pb2,prediction_service_pb2_grpc import grpc import numpy as np import cv2

定義入口接收參數(shù)：

parser = argparse.ArgumentParser(description='mnist recognization client') parser.add_argument('--host',default='0.0.0.0',help='serve host') parser.add_argument('--port',default='9000',help='serve port') parser.add_argument('--image',default='',help='image path') FLAGS = parser.parse_args()

所以，用戶需要輸入的都有：ip、端口、輸入圖像

讀取圖像:

img = cv2.imread(FLAGS.image,cv2.IMREAD_GRAYSCALE) img = cv2.resize(img,(28,28)) _,img = cv2.threshold(img,250,255,cv2.THRESH_BINARY) img = np.array(img,dtype='float32') img = img.reshape((28*28)) print(img.shape) #(784,)

連接服務：

server = FLAGS.host + ':' + FLAGS.port channel = grpc.insecure_channel(server) stub = prediction_service_pb2_grpc.PredictionServiceStub(channel)

請求服務：

request = predict_pb2.PredictRequest() request.model_spec.name = 'cnn_mnist' request.model_spec.signature_name = 'predict_images' request.inputs['images'].CopyFrom(tf.contrib.util.make_tensor_proto(img,shape=[1,28*28])) result = stub.Predict(request,10.0)

【注】

這里有prediction_service_pb2_grpc和predict_pb2，那么是否有classify和regress對應庫呢？后面學習的時候再看。
還有就是因為模型接收的是tensor，所以得用tf.contrib.util.make_tensor_proto轉(zhuǎn)換

解析請求：

scores=result.outputs['scores'].float_val pred_label = np.argmax(scores) print('pred_label',pred_label)

【注】C++的解析方法戳這里，python的解析方法戳這里

運行測試

在終端中執(zhí)行：

python serving_test_grpc.py --host '127.0.0.1' --port '9500' --image './test_image/6.png'

這里面的host換成docker或者主機的ip，port換成你上面開啟的端口。

使用REST

與gRPC區(qū)別很大，需要用json作為請求的輸入格式，具體格式查閱這里，我們使用predict API中的格式：

{// (Optional) Serving signature to use.// If unspecifed default serving signature is used."signature_name": <string>,// Input Tensors in row ("instances") or columnar ("inputs") format.// A request can have either of them but NOT both."instances": <value>|<(nested)list>|<list-of-objects>"inputs": <value>|<(nested)list>|<object> }

引入相關包：

import requests import numpy as np import cv2

讀取數(shù)據(jù)：注意最后轉(zhuǎn)換為 $(1, 784)$ 的list

image_path='./test_image/2.png' img = cv2.imread(image_path,cv2.IMREAD_GRAYSCALE) img = cv2.resize(img,(28,28)) _,img = cv2.threshold(img,250,255,cv2.THRESH_BINARY) img = np.array(img,dtype='float32') img = img.reshape((28*28)) img = img[np.newaxis,:] img = img.tolist()

用json格式化請求：此處一定要嚴格按照下面的語句書寫，不然請求很容易失敗

predict_request='{"signature_name": "predict_images", "instances":[{"images":%s}] }' %img

請求失敗時，提示

requests.exceptions.HTTPError: 400 Client Error: Bad Request for url: http://127.0.0.1:9501/v1/models/cnn_mnist:predict

如果提示這個bad request，不要問為什么，問就是你寫錯json請求了。

發(fā)送請求與接收回復以及解析

response = requests.post(SERVER_URL, data=predict_request) response.raise_for_status() prediction = response.json()['predictions'][0] print('label:',np.argmax(prediction))

用response.elapsed.total_seconds()可以返回時間,用于測試效率.

使用tensorflow_model_server啟動服務

安裝

按照官方文檔走:

第一步
echo "deb [arch=amd64] http://storage.googleapis.com/tensorflow-serving-apt stable tensorflow-model-server tensorflow-model-server-universal" | sudo tee /etc/apt/sources.list.d/tensorflow-serving.list && \ curl https://storage.googleapis.com/tensorflow-serving-apt/tensorflow-serving.release.pub.gpg | sudo apt-key add -
第二步
apt-get update && apt-get install tensorflow-model-server
第三步
apt-get upgrade tensorflow-model-server

這個是在線方法，還有一個離線方法，我就不寫了，戳這里就行，聽說離線編譯方法的成功率有點低。以后有機會再試試。

啟動服務

一條命令搞定

tensorflow_model_server --port=9500 --rest_api_port=9501 \--model_name=cnn_mnist --model_base_path=/tmp/cnn_mnist

就是直接開啟gRPC端口為9500以及開啟REST端口為9501，剩下的請求服務與上面的docker教程一模一樣。

有些小問題總結(jié)

端口占用

有時候提示端口被占用

如果使用docker的方法啟動服務，可以使用docker ps看啟動的服務占用的端口，如果有，就用docker kill CONTAINER_ID

如果使用tensorflow_model_server啟動服務，使用netstat -nap查找端口被誰占用，然后kill -9 PID
重啟docker容器
當你kill掉docker里面的容器時，并非移除了該容器，可以通過docker ps -a查看所有容器，包括關閉容器，當你再次啟動服務的時候，沒必要去執(zhí)行docker run .....的那個腳本，直接docker start CONTAINER_ID即可。
官方有個比較好的例子，是調(diào)用resnet作為分類服務的
模型下載方法：
#https://storage.googleapis.com/download.tensorflow.org/models/official/20181001_resnet/savedmodels/resnet_v2_fp32_savedmodel_NHWC_jpg.tar.gz mkdir /tmp/resnet curl -s https://storage.googleapis.com/download.tensorflow.org/models/official/20181001_resnet/savedmodels/resnet_v2_fp32_savedmodel_NHWC_jpg.tar.gz | tar --strip-components=2 -C /tmp/resnet -xvz

網(wǎng)盤下載：
鏈接: https://pan.baidu.com/s/1Kyh8sGggdKld4u1wuQSAbA 提取碼: 4k3z
服務啟動方法：

docker run -p 8500:8500 -p 8501:8501 \ --mount type=bind,source=/tmp/resnet,target=/models/resnet \ -e MODEL_NAME=resnet -t tensorflow/serving

檢查模型的輸入輸出
saved_model_cli show --dir /tmp/cnn_mnist/1/ --all
輸出：
signature_def['predict_images']:The given SavedModel SignatureDef contains the following input(s):inputs['images'] tensor_info:dtype: DT_FLOATshape: (-1, 784)name: X:0The given SavedModel SignatureDef contains the following output(s):outputs['scores'] tensor_info:dtype: DT_FLOATshape: (-1, 10)name: dense_1/BiasAdd:0Method name is: tensorflow/serving/predict
線上調(diào)用
如果用其他ip或者電腦調(diào)用模型，請求的ip必須是host，而非localhost

后記

這里只是一個初步入門，后續(xù)會更進一步了解其他功能。

本文所有代碼打包下載：

鏈接: https://pan.baidu.com/s/1MOUnU-sUAxfOjAHSPDKvkA 提取碼: sa88

里面包含我調(diào)試的腳本，懶得剔除了，有興趣慢慢看

總結(jié)

以上是生活随笔為你收集整理的【TensorFlow-serving】初步学习模型部署的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。

上一篇：王者荣耀最新墨子大神出装墨子高胜率六神
下一篇： Tensorflow 指令加速