关于人工智能:基于MindSpore-Serving部署推理服务

49次阅读

共计 8134 个字符，预计需要花费 21 分钟才能阅读完成。

明天要分享的是服务化部署框架（MindSpore Serving）具体要实现的就是一个能够在线识图的页面。1.MindSpore Serving 装置 MindSpore Serving 目前只能通过指定 whl 包装置 pip install https://ms-release.obs.cn-nor…

2.MindSpore Serving 应用查看相干文档 https://www.mindspore.cn/serv… 疾速入门的例子有点不够形象化于是去 github 的代码仓外面看看样例都有哪些 https://gitee.com/mindspore/s… 须要没有 GPU，就拿 resnet50 来跑跑看，cifa10 的数据集也不大，cpu 下训练也不麻烦。如下是相干模型的训练代码：from mindspore.train import Model
from mindvision.dataset import Cifar10
from mindvision.engine.callback import ValAccMonitor
from mindvision.classification.models.classifiers import BaseClassifier
from mindvision.classification.models.head import DenseHead
from mindvision.classification.models.neck import GlobalAvgPooling
from mindvision.classification.utils.model_urls import model_urls
from mindvision.utils.load_pretrained_model import LoadPretrainedModel
from typing import Type, Union, List, Optional
from mindvision.classification.models.blocks import ConvNormActivation
from mindspore import nn

class ResidualBlockBase(nn.Cell):

expansion: int = 1  # 最初一个卷积核数量与第一个卷积核数量相等

def __init__(self, in_channel: int, out_channel: int,
             stride: int = 1, norm: Optional[nn.Cell] = None,
             down_sample: Optional[nn.Cell] = None) -> None:
    super(ResidualBlockBase, self).__init__()
    if not norm:
        norm = nn.BatchNorm2d

    self.conv1 = ConvNormActivation(in_channel, out_channel,
                                    kernel_size=3, stride=stride, norm=norm)
    self.conv2 = ConvNormActivation(out_channel, out_channel,
                                    kernel_size=3, norm=norm, activation=None)
    self.relu = nn.ReLU()
    self.down_sample = down_sample

def construct(self, x):
    """ResidualBlockBase construct."""
    identity = x  # shortcuts 分支

    out = self.conv1(x)  # 主分支第一层：3* 3 卷积层
    out = self.conv2(out)  # 主分支第二层：3* 3 卷积层

    if self.down_sample:
        identity = self.down_sample(x)
    out += identity  # 输入为主分支与 shortcuts 之和
    out = self.relu(out)

    return out

class ResidualBlock(nn.Cell):

expansion = 4  # 最初一个卷积核的数量是第一个卷积核数量的 4 倍

def __init__(self, in_channel: int, out_channel: int,
             stride: int = 1, norm: Optional[nn.Cell] = None,
             down_sample: Optional[nn.Cell] = None) -> None:
    super(ResidualBlock, self).__init__()
    if not norm:
        norm = nn.BatchNorm2d

    self.conv1 = ConvNormActivation(in_channel, out_channel,
                                    kernel_size=1, norm=norm)
    self.conv2 = ConvNormActivation(out_channel, out_channel,
                                    kernel_size=3, stride=stride, norm=norm)
    self.conv3 = ConvNormActivation(out_channel, out_channel * self.expansion,
                                    kernel_size=1, norm=norm, activation=None)
    self.relu = nn.ReLU()
    self.down_sample = down_sample

def construct(self, x):
    identity = x  # shortscuts 分支

    out = self.conv1(x)  # 主分支第一层：1* 1 卷积层
    out = self.conv2(out)  # 主分支第二层：3* 3 卷积层
    out = self.conv3(out)  # 主分支第三层：1* 1 卷积层

    if self.down_sample:
        identity = self.down_sample(x)

    out += identity  # 输入为主分支与 shortcuts 之和
    out = self.relu(out)

    return out

def make_layer(last_out_channel, block: Type[Union[ResidualBlockBase, ResidualBlock]],

           channel: int, block_nums: int, stride: int = 1):
down_sample = None  # shortcuts 分支

if stride != 1 or last_out_channel != channel * block.expansion:
    down_sample = ConvNormActivation(last_out_channel, channel * block.expansion,
                                     kernel_size=1, stride=stride, norm=nn.BatchNorm2d, activation=None)

layers = []
layers.append(block(last_out_channel, channel, stride=stride, down_sample=down_sample, norm=nn.BatchNorm2d))

in_channel = channel * block.expansion
# 重叠残差网络
for _ in range(1, block_nums):
    layers.append(block(in_channel, channel, norm=nn.BatchNorm2d))

return nn.SequentialCell(layers)

class ResNet(nn.Cell):

def __init__(self, block: Type[Union[ResidualBlockBase, ResidualBlock]],
             layer_nums: List[int], norm: Optional[nn.Cell] = None) -> None:
    super(ResNet, self).__init__()
    if not norm:
        norm = nn.BatchNorm2d
    # 第一个卷积层，输出 channel 为 3（彩色图像），输入 channel 为 64
    self.conv1 = ConvNormActivation(3, 64, kernel_size=7, stride=2, norm=norm)
    # 最大池化层，放大图片的尺寸
    self.max_pool = nn.MaxPool2d(kernel_size=3, stride=2, pad_mode='same')
    # 各个残差网络结构块定义，self.layer1 = make_layer(64, block, 64, layer_nums[0])
    self.layer2 = make_layer(64 * block.expansion, block, 128, layer_nums[1], stride=2)
    self.layer3 = make_layer(128 * block.expansion, block, 256, layer_nums[2], stride=2)
    self.layer4 = make_layer(256 * block.expansion, block, 512, layer_nums[3], stride=2)

def construct(self, x):
    x = self.conv1(x)
    x = self.max_pool(x)

    x = self.layer1(x)
    x = self.layer2(x)
    x = self.layer3(x)
    x = self.layer4(x)

    return x

def _resnet(arch: str, block: Type[Union[ResidualBlockBase, ResidualBlock]],

        layers: List[int], num_classes: int, pretrained: bool, input_channel: int):
backbone = ResNet(block, layers)
neck = GlobalAvgPooling()  # 均匀池化层
head = DenseHead(input_channel=input_channel, num_classes=num_classes)  # 全连贯层
model = BaseClassifier(backbone, neck, head)  # 将 backbone 层、neck 层和 head 层连接起来

if pretrained:
    # 下载并加载预训练模型
    LoadPretrainedModel(model, model_urls[arch]).run()

return model

def resnet50(num_classes: int = 1000, pretrained: bool = False):

"ResNet50 模型"
return _resnet("resnet50", ResidualBlock, [3, 4, 6, 3], num_classes, pretrained, 2048)

数据集根目录

data_dir = “./data”

下载解压并加载 CIFAR-10 训练数据集

dataset_train = Cifar10(path=data_dir, split=’train’, batch_size=6, resize=32)
ds_train = dataset_train.run()
step_size = ds_train.get_dataset_size()

下载解压并加载 CIFAR-10 测试数据集

dataset_val = Cifar10(path=data_dir, split=’test’, batch_size=6, resize=32)
ds_val = dataset_val.run()

定义 ResNet50 网络

network = resnet50(pretrained=True)

全连贯层输出层的大小

in_channel = network.head.dense.in_channels
head = DenseHead(input_channel=in_channel, num_classes=10)

重置全连贯层

network.head = head

设置学习率

num_epochs = 40
lr = nn.cosine_decay_lr(min_lr=0.00001, max_lr=0.001, total_step=step_size * num_epochs,

                    step_per_epoch=step_size, decay_epoch=num_epochs)

定义优化器和损失函数

opt = nn.Momentum(params=network.trainable_params(), learning_rate=lr, momentum=0.9)
loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction=’mean’)

实例化模型

model = Model(network, loss, opt, metrics={“Accuracy”: nn.Accuracy()})

模型训练

model.train(num_epochs, ds_train, callbacks=[ValAccMonitor(model, ds_val, num_epochs)])

感觉最终的训练准确度不够高。十几个小时徒劳了。训练进去的模型须要保留为 mindir 能力用。

执行 example 外面的 export_resnet.py，将模型进行转换。然而 export_resnet.py 这个脚本是间接下载曾经训练好的模型来转换的，如果要转换本人训练进去的模型记得批改下文件。执行 export_resnet.py 会报错，先是报短少 easydict 模块。执行 pip install easydict，装置报错。查问了一下，是 setuptools 版本过低造成。于是执行 pip install -U setuptools 进行降级。而后再执行 pip install easydict，顺利装置胜利。

这个时候转换胜利了。生成了 mindir 模型。有了模型就能够运行 server。

执行启动 server 后报错，晋升短少 so 文件。通过 sudo apt-get install libpython3.9 进行库装置。

再次运行 server。

仍然报错，提醒不反对的设施。查看代码 config = server.ServableStartConfig(servable_directory=servable_dir, servable_name=”resnet50″, device_ids=0,

                                    num_parallel_workers=4)

于是查问了下 api，看能够设置 device_type

于是减少了 device_type=“CPU”

还是不行，于是看了下文档。

因为以后是 CPU，因而推理后端只能是 Mindspore Lite 只能装置 Mindspore Lite 了推理 / 训练 runtime、推理 / 训练 jar 包、以及 benchmark/codegen/converter/cropper 工具 CPULinux-x86_64https://ms-release.obs.cn-nor… 既然用 Lite 了，模型也要转换。通过如下命令将模型转换。

批改 servable_config.py 文件，把模型批改成 mindspore lite 模型

而后再执行

而后查看_servable_local.py 在什么状况下会抛出异样。

看代码是执行了函数结尾的命令后没有获取到相干设施信息才报的错。把这个命令独自拎进去执行下看看。

间接报 so 找不到。先设置下 LD_LIBRARY_PATH，首先是查看下相干的 so 文件地位在哪。而后再进行相干设置。

最新服务起来了。如果设置了 127.0.0.1 只能本机拜访，因为应用的是虚拟机，内部拜访须要批改 ip 为 0.0.0.0。同时虚机的网络要设置为桥接模式才能够。

而后查看虚机 ip

代码测试通过，grpc 还有点问题，我也只用到了 restfull，grpc 就先不论了。这里用模型是我本地训练进去的，看来还是不行，于是就换了样例外面的模型文件。

3. 页面拜访页面拜访的话计划很多，能够是 vue 或是 flask。不过都要写页面，html JavaScript 等等。在网上搜到一个纯 python 的库，streamlit，看上去很不错。Streamlit 是一个基于 Python 的 Web 应用程序框架，致力于以更高效、更灵便的形式可视化数据，并剖析后果。Streamlit 是一个开源库，能够帮忙数据科学家和学者在短时间内开发机器学习 (ML) 可视化仪表板。只需几行代码，咱们就能够构建并部署弱小的数据应用程序。为什么抉择 Streamlit？目前，应用程序需求量微小，开发人员须要始终开发新的库和框架，帮忙构建并部署疾速上手的仪表板。Streamlit 是一个库，可将仪表板的开发工夫从几天缩短至几小时。以下是抉择 Streamlit 的起因：1. Streamlit 是一个收费的开源库。2. 和装置其余 python 包一样，Streamlit 的装置非常简单。3. Streamlit 学起来很容易，无须要任何 Web 开发教训，只需对 Python 有根本的理解，就足以构建数据应用程序。4. Streamlit 与大部分机器学习框架兼容，包含 Tensorflow 和 Pytorch、Scikit-learn 和可视化库，如 Seaborn、Altair、Plotly 等。#! –– coding=utf-8 ––
import cv2
import numpy as np
import streamlit as st
import base64
import requests
import json
st.title(‘ 图片辨认演示 ’)

labels = {‘airplane’:’ 飞机 ’,

        'automobile':'汽车', 
        'bird':'鸟', 
        'cat':'猫', 
        'deer':'鹿', 
        'dog':'狗', 
        'frog':'青蛙', 
        'horse':'马', 
        'ship':'船', 
        'truck':'卡车'}

uploaded_file = st.file_uploader(“ 上传文件 ”, type=”jpg”)
if uploaded_file is not None:

file_bytes = np.asarray(bytearray(uploaded_file.read()), dtype=np.uint8)
opencv_image = cv2.imdecode(file_bytes, 1)
st.image(opencv_image, channels="BGR")
instances = []
base64_data = base64.b64encode(file_bytes).decode()
instances.append({"image": {"b64": base64_data}})
instances_map = {"instances": instances}
post_payload = json.dumps(instances_map)
ip = "192.168.0.225"
restful_port = 1500
servable_name = "resnet50"
method_name = "classify_top1"
result = requests.post(f"http://{ip}:{restful_port}/model/{servable_name}:{method_name}", data=post_payload)
result = json.loads(result.text)
label = result['instances'][0]['label']
st.text(f'图片辨认为：{labels[label]}')
  #cv2.imwrite('test.jpg',opencv_image) 执行如下命令启动服务器：streamlit run D:\ai\0709\server.py

最终的成果如下：上传文件反对拖拽和抉择上传。

最终成果如下：

这个青蛙有点离谱了。。。模型的准确性有点低。

正文完
人工智能
发表至： 人工智能
2022-08-12
 0
关于人工智能:RPA之家转载开启高效办公模式｜RPA助力银行实现业务流程自动化
关于人工智能:AI加速器与机器学习算法协同设计与进化
关于人工智能:Linux常用的20个命令下
关于人工智能:机器学习算法系列十线性判别分析算法一Linear-Discriminant-Analysis-Algorithm