在AWS上部署、監控和擴充套件機器學習模型
作者|Aparna Dhinakaran
編譯|Flin
來源|towardsdatascience
部署健壯的、可擴充套件的機器學習解決方案仍然是一個非常複雜的過程，需要大量的人力參與，並做出很多努力。因此，新產品和服務需要很長時間才能上市，或者在原型狀態下就被放棄，從而降低了行業內的對它的興趣。那麼，我們如何才能促進將機器學習模型投入生產的過程呢?
Cortex是一個將機器學習模型部署為生產網路服務的開源平臺。它利用強大的AWS生態系統，根據需要部署、監視和擴充套件與框架無關的模型。其主要特點概括如下:
-
框架無關:Cortex支援任何python程式碼;與其他python指令碼一樣，TensorFlow、PyTorch、scikit-learn、XGBoost都是由該庫支援的。
-
自動縮放:Cortex自動縮放你的api，以處理生產負載。
-
CPU / GPU支援:使用AWS IaaS作為底層基礎架構，Cortex可以在CPU或GPU環境下執行。
-
Spot例項:Cortex支援EC2 Spot例項來降低成本。
-
滾動更新:Cortex對模型應用任何更新，沒有任何停機時間。
-
日誌流:Cortex使用類似docker的語法將部署模型中的日誌儲存下來，並將其流式傳輸到CLI。
-
預測監測:Cortex監測網路指標並跟蹤預測。
-
最小配置:Cortex部署配置被定義為一個簡單的YAML檔案。
在本文中，我們使用Cortex將一個影象分類模型作為web服務部署到AWS上。那麼，言歸正傳，讓我們來介紹一下Cortex。
將模型部署為Web服務
在這個例子中，我們使用fast.ai庫（https://pypi.org/project/fastai/） ，並從相關MOOC的第一個課程中（https://course.fast.ai/） 借用pets分類模型。以下各節介紹了Cortex的安裝和pets分類模型作為web服務的部署。
安裝
如果還沒有安裝，首先應該在AWS上建立一個具有程式設計訪問許可權的新使用者帳戶。為此，請選擇IAM服務，然後從右側面板中選擇Users，最後按Add User按鈕。為使用者指定一個名稱並選擇Programmatic access。
接下來，在Permissions 螢幕中，選擇Attach existing policies directly
AdministratorAccess。
你可以將標記頁留空，檢視並建立使用者。最後，注意訪問金鑰ID和金鑰訪問金鑰。
在AWS控制檯上，你還可以建立一個S3 bucket來儲存經過訓練的模型和程式碼可能生成的任何其他人工製品。你可以隨意命名這個bucket，只要它是一個唯一的名字。在這裡，我們建立了一個名為cortex-pets-model的bucket。
下一步，我們必須在系統上安裝Cortex CLI並啟動Kubernetes叢集。要安裝Cortex CLI，請執行以下命令：
bash -c “$(curl -sS https://raw.githubusercontent.com/cortexlabs/cortex/0.14/get-cli.sh)"
通過訪問相應的文件部分(https://www.cortex.dev/) ，檢查你是否正在安裝最新版本的Cortex CLI。
我們現在準備建立叢集。使用Cortex建立Kubernetes叢集是很簡單的。只需執行以下命令：
cortex cluster up
Cortex會要求你提供一些資訊，比如你的AWS金鑰、你想使用的區域、你想啟動的計算例項以及它們的數量。Cortex也會讓你知道你會花多少錢來使用你選擇的服務。整個過程可能需要20分鐘。
訓練你的模型
Cortex並不關心你如何建立或訓練你的模型。在本例中，我們使用fast.ai庫和Oxford IIIT Pet資料集。這個資料集包含37種不同的狗和貓。因此，我們的模型應該將每個影象分為這37類。
建立一個類似下面的trainer.py檔案
import boto3
import pickle
from fastai.vision import *
# initialize boto session
session = boto3.Session(
aws_access_key_id=<your_accress_key_id>,
aws_secret_access_key='<your_secret_access_key>',
)
# get the data
path = untar_data(URLs.PETS, dest='sample_data')
path_img = path/'images'
fnames = get_image_files(path_img)
# process the data
bs = 64
pat = r'/([^/]+)_\d+.jpg$'
data = ImageDataBunch.from_name_re(path_img, fnames, pat,
ds_tfms=get_transforms(), size=224, bs=bs) \
.normalize(imagenet_stats)
# create, fit and save the model
learn = cnn_learner(data, models.resnet18, metrics=accuracy)
learn.fit_one_cycle(4)
with open('model.pkl', 'wb') as handle:
pickle.dump(learn.model, handle)
# upload the model to s3
s3 = session.client('s3')
s3.upload_file('model.pkl', 'cortex-pets-model', 'model.pkl')
與其他python指令碼一樣，在本地執行該指令碼:python trainer.py
但是，請確保提供你的AWS憑據和S3 bucket名稱。這個指令碼獲取資料，處理它們，適合一個預先訓練好的ResNet模型並將其上傳到S3。當然，你可以使用幾種技術(更復雜的體系結構、有區別的學習率、面向更多時代的訓練)來擴充套件此指令碼以使模型更精確，但是這與我們的目標無關。如果你想進一步瞭解ResNet體系結構，請參閱下面的文章。
https://towardsdatascience.com/xresnet-from-scratch-in-pytorch-e64e309af722
部署模型
現在我們已經訓練了模型並將其儲存在S3中，下一步是將其作為web服務部署到生產環境中。為此，我們建立了一個名為predictor.py的python指令碼,像下圖:
import torch
import boto3
import pickle
import requests
from PIL import Image
from io import BytesIO
from torchvision import transforms
# initialize boto session
session = boto3.Session(
aws_access_key_id='<your_access_key_id>',
aws_secret_access_key='<your_secret_access_key>',
)
# define the predictor
class PythonPredictor:
def __init__(self, config):
s3 = session.client('s3')
s3.download_file(config['bucket'], config['key'], 'model.pkl')
self.model = pickle.load(open('model.pkl', 'rb'))
self.model.eval()
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
self.preprocess = transforms.Compose(
[transforms.Resize(224), transforms.ToTensor(), normalize]
)
self.labels = ['Abyssinian', 'Bengal', 'Birman', 'Bombay', 'British_Shorthair',
'Egyptian_Mau', 'Maine_Coon', 'Persian', 'Ragdoll', 'Russian_Blue',
'Siamese', 'Sphynx', 'american_bulldog', 'american_pit_bull_terrier',
'basset_hound', 'beagle', 'boxer', 'chihuahua', 'english_cocker_spaniel',
'english_setter', 'german_shorthaired', 'great_pyrenees', 'havanese',
'japanese_chin', 'keeshond', 'leonberger', 'miniature_pinscher', 'newfoundland',
'pomeranian', 'pug', 'saint_bernard', 'samoyed', 'scottish_terrier', 'shiba_inu',
'staffordshire_bull_terrier', 'wheaten_terrier', 'yorkshire_terrier']
self.device = config['device']
def predict(self, payload):
image = requests.get(payload["url"]).content
img_pil = Image.open(BytesIO(image))
img_tensor = self.preprocess(img_pil)
img_tensor.unsqueeze_(0)
img_tensor = img_tensor.to(self.device)
with torch.no_grad():
prediction = self.model(img_tensor)
_, index = prediction[0].max(0)
return self.labels[index]
這個檔案定義了一個預測器類。在例項化它時，它從S3中檢索模型，將其載入到記憶體中，並定義一些必要的轉換和引數。在推理期間，它從給定的URL中讀取影象並返回預測的類的名稱。一個用於初始化的方法__init__和一個用於接收有效負載並返回結果的預測方法predict。
預測器指令碼有兩個附帶的檔案。一個記錄庫依賴項的requirements.txt檔案(如pytorch、fastai、boto3等)和一個YAML配置檔案。最小配置如下:
- name: pets-classifier
predictor:
type: python
path: predictor.py
config:
bucket: cortex-pets-model
key: model.pkl
device: cpu
在這個YAML檔案中，我們定義了執行哪個指令碼進行推理，在哪個裝置(例如CPU)上執行，以及在哪裡找到訓練好的模型。文件中提供了更多的選項。
最後，專案的結構應該遵循下面的層次結構。請注意，這是最低限度的要求，但是如果你有一個可以部署的模型，那麼你可以提交train .py。
- Project name
|----trainer.py
|----predictor.py
|----requirements.txt
|----cortex.yaml
有了所有這些，你只需執行cortex deploy，幾秒鐘之內，你的新端點就可以接受請求了。執行corted get pets-classifier來監視端點並檢視其他詳細資訊。
status up-to-date requested last update avg request 2XX
live 1 1 13m - -
endpoint: http://a984d095c6d3a11ea83cc0acfc96419b-1937254434.us-west-2.elb.amazonaws.com/pets-classifier
curl: curl http://a984d095c6d3a11ea83cc0acfc96419b-1937254434.us-west-2.elb.amazonaws.com/pets-classifier?debug=true -X POST -H "Content-Type: application/json" -d @sample.json
configuration
name: pets-classifier
endpoint: /pets-classifier
predictor:
type: python
path: predictor.py
config:
bucket: cortex-pets-model
device: cpu
key: model.pkl
compute:
cpu: 200m
autoscaling:
min_replicas: 1
max_replicas: 100
init_replicas: 1
workers_per_replica: 1
threads_per_worker: 1
target_replica_concurrency: 1.0
max_replica_concurrency: 1024
window: 1m0s
downscale_stabilization_period: 5m0s
upscale_stabilization_period: 0s
max_downscale_factor: 0.5
max_upscale_factor: 10.0
downscale_tolerance: 0.1
upscale_tolerance: 0.1
update_strategy:
max_surge: 25%
max_unavailable: 25%
剩下的就是用curl和pomeranian的影象來測試它:
curl http://a984d095c6d3a11ea83cc0acfc96419b-1937254434.us-west-2.elb.amazonaws.com/pets-classifier -X POST -H "Content-Type: application/json" -d '{"url": "https://i.imgur.com/HPRQ28l.jpeg"}'
釋放資源
當我們完成服務和叢集時，我們應該釋放資源以避免額外的成本。Cortex很容易做到：
cortex delete pets-classifier
cortex cluster down
結論
在這篇文章中，我們看到了如何使用Cortex，一個開源平臺，來將機器學習模型部署為生產web服務。我們訓練了一個影象分類器，將其部署到AWS上，監控其效能並進行測試。
有關更高階的概念，如預測監視、滾動更新、叢集配置、自動縮放等，請訪問官方文件站點(https://www.cortex.dev/) 和專案的GitHub頁面(https://github.com/cortexlabs/cortex)。
原文連結：https://towardsdatascience.com/deploy-monitor-and-scale-machine-learning-models-on-aws-408dfd397422
歡迎關注磐創AI部落格站：
http://panchuang.net/
sklearn機器學習中文官方文件：
http://sklearn123.com/
歡迎關注磐創部落格資源彙總站：
http://docs.panchuang.net/