关于ml:手把手教程-使用无服务器模板部署机器学习模型

38次阅读

共计 6230 个字符，预计需要花费 16 分钟才能阅读完成。

在设计和训练机器学习模型后，数据科学家会部署这些模型，以便应用程序能够应用。Amazon Lambda 是一项让您在运行代码时无需预置或治理服务器的计算服务。Amazon Lambda 的按申请付费、主动扩大和易用性使其成为数据迷信团队的热门部署抉择。

  • Amazon Lambda
    https://aws.amazon.com/cn/lam…

数据科学家能够应用更少的代码就能将模型转变为由 Amazon Lambda 反对的经济高效且可扩大的 API 终端节点。Amazon Lambda 反对容器镜像、Advanced Vector Extensions 2(AVX2)和具备高达 10GB 内存的函数。应用这些函数，数据迷信团队能够部署更大、更强的模型并进步性能。

要部署基于 Amazon Lambda 的应用程序，无服务器开发人员能够应用Amazon Serverless Application Model(Amazon SAM)。Amazon SAM 基于模板创立和治理无服务器应用程序。它反对本地测试，旨在实现最佳实际，并可与风行的开发工具集成。它容许数据科学家应用 YAML 定义无服务器应用程序、平安权限和高级配置性能。

  • Amazon Serverless Application Model(Amazon SAM)
    https://github.com/aws/server…

Amazon SAM 蕴含可让开发人员疾速入门的预构建模板。本博客展现了 如何应用机器学习模板部署基于 Scikit-Learn 的模型，该模型能够分类从 0 到 9 的手写数字图像。部署到 Amazon Lambda 后，您能够通过一个 REST API 拜访模型。

示例会在亚马逊云科技账户中创立会产生老本的资源。为了最大限度地降低成本，请在实现示例内容后依照最初的清理局部阐明删除资源。

📢 想要理解更多亚马逊云科技最新技术公布和实际翻新，敬请关注在上海、北京、深圳三地举办的 2021 亚马逊云科技中国峰会！点击图片报名吧～上海站峰会曾经圆满闭幕，更多精彩内容，敬请期待 北京、深圳 分会吧！

概览

Amazon SAM 机器学习模板可用于 Scikit-Learn、PyTorch、TensorFlow 和 XGBoost 框架。每个模板都部署一个 Amazon Lambda 函数来治理 Amazon API Gateway 网管 前面的模型，该网关作为前端并解决身份验证。下图显示了这个解决方案的架构：


机器学习推理的无服务器架构

  • Amazon API Gateway 网管
    https://aws.amazon.com/cn/api…

创立容器化 Amazon Lambda 函数

本节将应用 Amazon SAM 在 Amazon Lambda 上构建、测试和部署蕴含事后训练的数字分类器模型的 Docker 镜像：

  1. 更新或装置 Amazon SAM，应用机器学习模板须要 Amazon SAM CLI v1.24.1 或更高版本。
  2. 在终端中，应用以下命令在 Amazon SAM 中创立新的无服务器应用程序：sam init
  3. 依照屏幕上的提醒，抉择 Amazon 疾速入门模板作为模板起源。


Amazon SAM：抉择模板起源

  • 抉择镜像作为打包类型。


Amazon SAM：抉择封装类型

  • 抉择 amazon/python3.8-base 作为根底镜像。


Amazon SAM：抉择运行时镜像

  • 呈现提醒时，输出应用程序名称。Amazon SAM 应用它对其创立的资源进行分组和打标签。


Amazon SAM：抉择运行时镜像

  • 从模板列表中抉择所需的机器学习框架，本示例应用 Scikit-Learn 模板。


Amazon SAM：抉择应用程序模板

  • Amazon SAM 应用您的应用程序名称创立一个目录，切换到新目录并运行 Amazon SAM 生成命令：sam build


Amazon SAM：构建后果

由 Amazon SAM 生成的文件

抉择模板后，Amazon SAM 将在应用程序目录中生成以下文件：

  • Dockerfile: 该应用程序应用 Amazon Lambda 提供的 Python 3.8 根底镜像。它曾经装置了相干的依赖项并为 Amazon Lambda 执行环境定义了 CMD 变量以初始化处理程序。
FROM public.ecr.aws/lambda/python:3.8

COPY app.py requirements.txt ./

COPY digit_classifier.joblib /opt/ml/model/1

RUN python3.8 -m pip install -r requirements.txt -t .

CMD ["app.lambda_handler"]
  • app.py: 这段 Python 代码在调用 Amazon Lambda 处理程序后运行，并会从 Scikit-Learn 模型中生成预测后果。通过在 Amazon lambda_handler 之外加载模型，可在多个 Amazon Lambda 调用中重复使用该模型。
import joblib
import base64
import numpy as np
import json

from io import BytesIO
from PIL import Image
from scipy.ndimage import interpolation

model_file = '/opt/ml/model'
model = joblib.load(model_file)
# Functions to pre-process images (we used same preprocessing when training)

def moments(image):
    c0, c1 = np.mgrid[:image.shape[0], :image.shape[1]]
    img_sum = np.sum(image)

    m0 = np.sum(c0 * image) / img_sum
    m1 = np.sum(c1 * image) / img_sum
    m00 = np.sum((c0-m0)**2 * image) / img_sum
    m11 = np.sum((c1-m1)**2 * image) / img_sum
    m01 = np.sum((c0-m0) * (c1-m1) * image) / img_sum

    mu_vector = np.array([m0,m1])
    covariance_matrix = np.array([[m00, m01],[m01, m11]])

    return mu_vector, covariance_matrix

def deskew(image):
    c, v = moments(image)
    alpha = v[0,1] / v[0,0]
    affine = np.array([[1,0], [alpha,1]])
    ocenter = np.array(image.shape) / 2.0
    offset = c - np.dot(affine, ocenter)
    return interpolation.affine_transform(image, affine, offset=offset)

def get_np_image(image_bytes):
    image = Image.open(BytesIO(base64.b64decode(image_bytes))).convert(mode='L')
    image = image.resize((28, 28))
    return np.array(image)

# Lambda handler code

def lambda_handler(event, context):
    image_bytes = event['body'].encode('utf-8')
    x = deskew(get_np_image(image_bytes))
    prediction = int(model.predict(x.reshape(1, -1))[0])
    return {
        'statusCode': 200,
        'body': json.dumps(
            {"predicted_label": prediction,}
        )
    }
  • 实现这些步骤后，目录构造如下所示：


文件构造

测试 Amazon SAM 模板

对于基于容器镜像的 Amazon Lambda 函数，Amazon sam build 会在本地 Docker 存储库中创立和更新容器镜像。它将模板复制到输入目录并更新新建镜像的地位。

您能够在 amazon-sam 目录下看到以下顶层目录树结构：


Amazon SAM 构建构件目录构造

构建 Docker 镜像后，应用 Amazon SAM 的本地测试功能测试终端节点。有两种办法能够在本地测试应用程序：

  • 本地调用 — 事件应用 event.json 中的模仿数据来调用函数并生成预测。手写数字的图像被编码为 event.json 文件中 body 属性中的 base64 字符串。应用 event.json 模仿数据进行测试：
sam local invoke InferenceFunction --event events/event.json


Amazon SAM 本地调用后果

  • 通过 start-api 命令启动一个模仿 REST API 终端节点的本地终端节点。它会下载一个在本地运行 API Gateway 和 Amazon Lambda 函数的执行容器。应用 API Gateway 模拟器调用:sam local start-api


Amazon SAM 本地 start-api 监控

要测试本地端点，请应用 Postman 等 REST API 客户端向 /classify_digit 终端节点发送 POST 申请。

  • Postman
    https://www.postman.com


用 Postman 进行测试

在本地测试时，请应用小于 100 KB 的图像。如果文件较大，申请会失败并显示状态代码 502，错误信息为“argument list too long”（参数列表过长）。然而在部署到 Amazon Lambda 之后，您能够应用更大的图像。

部署应用程序到 Amazon Lambda

在本地测试模型后，应用 Amazon SAM 疏导式部署流程打包和部署应用程序：

  1. 要基于容器镜像部署 Amazon Lambda 函数，必须将容器镜像推送到Amazon Elastic Container Registry（ECR）。运行以下命令以检索身份验证令牌并应用 ECR 注册表对 Docker 客户端进行身份验证。将 region 和 accountID 占位符替换为您的区域和亚马逊云科技账户 ID：
aws --region <region> ecr get-login-password | docker login --username AWS --password-stdin <accountID>.dkr.ecr.<region>.amazonaws.com
  • Amazon Elastic Container Registry（ECR）
    https://aws.amazon.com/cn/ecr/


登录胜利

  • 应用 Amazon CLI 创立一个名为 classifier-demo 的 ECR 存储库：
aws ecr create-repository \

--repository-name classifier-demo \

--image-tag-mutability MUTABLE \

--image-scanning-configuration scanOnPush=true


创立 ECR 存储库后果

  • 从输入中复制 repositoryUri，咱们在下一步中将会用到。应用 deploy 命令启动 Amazon SAM 疏导式部署：sam deploy --guided
  • 依照屏幕上的提醒进行操作。要承受互动体验中提供的默认选项，请按 Enter 键。当零碎提醒输出 ECR 存储库时，请应用在上一步中创立的 Amazon ECR 存储库。


CloudFormation 更改集验证截图


CloudFormation 输入

  • Amazon SAM 将应用程序打包并部署为带有版本控制的实体。部署后，生产 API 终端节点就能够应用了。该模板会生成多个输入，在“Outputs”局部的“HelloWorldAPI”键中能够找到终端节点的 URL。

找到 URL 后，应用 REST 客户端测试实时终端节点：


用 Postman 进行测试

优化性能

部署 Amazon Lambda 函数后，您能够针对提早和老本进行优化。为此，请调整函数的内存调配设置，这也会线性更改调配的 vCPU（要理解更多信息，请浏览 亚马逊云科技新闻博客）。

  • 亚马逊云科技新闻博客
    https://aws.amazon.com/cn/blo…

数字分类器模型应用 5GB 内存 (约 3 个 vCPU) 进行了优化。超过 5GB 的任何收益都绝对较小。每个模型对 vCPU 和内存的变动的响应不同，因而最佳做法是通过试验来确定这一点。这部分有 开源工具 可用于主动调整性能。

  • 开源工具
    https://github.com/alexcasalb…

能够通过编译源代码以 利用 AVX2 指令 进行进一步优化。AVX2 容许 Amazon Lambda 在每个时钟周期运行更多操作，从而缩小了模型生成预测所需的工夫。

  • 利用 AVX2 指令
    https://aws.amazon.com/cn/blo…

清理

上述示例创立了 Amazon Lambda 函数、API Gateway 终端节点和 ECR 存储库。这些资源会产生费用，因而倡议清理资源以防止产生额定的老本。要删除 ECR 存储库，请运行：

aws ecr delete-repository --registry-id <account-id> --repository-name classifier-demo --force

要删除残余资源，请导航到亚马逊云科技治理控制台中的Amazon CloudFormation，而后抉择用于示例的区域。抉择 Amazon SAM 创立的堆栈（默认为“sam-app”），而后抉择 Delete（删除）。

  • Amazon CloudFormation
    https://aws.amazon.com/cn/clo…

论断

对于数据科学家来说，要部署基于 CPU 的机器学习模型进行推理，Amazon Lambda 是一种经济高效、可扩大且牢靠的形式。凭借对更大的函数大小、AVX2 指令集和容器镜像的反对，Amazon Lambda 当初能够部署更简单的模型，同时放弃低提早。

欢送应用 Amazon SAM 中新的机器学习模板，在数分钟内部署您的第一个无服务器机器学习应用程序吧。咱们期待看到您在 Amazon Lambda 上构建的激动人心的机器学习应用程序。

无关更多无服务器学习资源，请拜访Serverless Land。

  • Serverless Land
    https://serverlessland.com

本篇作者

Sean Wilkinson
亚马逊云科技机器学习专家解决方案架构师

Newton Jain
亚马逊云科技 Amazon Lambda 高级产品经理

正文完
ml
发表至： ml
2021-12-23
 0
关于ml:SageMaker-Neo优化目标检测模型加速推理
关于ml:Amazon-Forecast现可支持对单一条目进行准确性评估
关于ml:农业与科技结合快来看Amazon-Rekognition自定义标签的作用吧
关于ml:在Amazon-SageMaker中灵活使用多种存储服务