共计 7652 个字符，预计需要花费 20 分钟才能阅读完成。
摘要：训练好的模型不知道如何布置到生产环境？快来学习一下吧！
介绍
将机器学习（ML）模型应用于生产环境已成为一个火热的的话题, 许多框架提供了旨在解决此问题的不同解决方案。为解决这一问题，谷歌发布了 TensorFlow（TF）服务，以期待解决将 ML 模型部署到生产中的问题。
本文提供了一个关于服务于预先训练的卷积语义分割网络的实践教程。阅读本文后，你将能够使用 TF 服务来部署和向 TF 训练的深度 CNN 发出请求等操作。另外，本文将概述 TF 服务的 API 及其工作原理。如果你想学习本教程并在计算机上运行示例，请完整了解本文。但是，如果你只想了解 TensorFlow 服务，你可以专注于前两部分。
TensorFlow 服务库 - 概述
首先我们需要花一些时间来了解 TF Serving 如何处理 ML 模型的整个生命周期。在这里，我们将介绍 TF 服务的主要构建块，本部分的目标是提供 TF 服务 API 的介绍。如需深入了解，请访问 TF 服务文档页面。
TensorFlow 服务由一些抽象组成，这些抽象类用于不同任务的 API，其中最重要的是 Servable，Loader，Source 和 Manager，让我们来看看他们之间是如何互动的：
简单来说，当 TF Serving 识别磁盘上的模型时，Source 组件就开始工作啦，整个服务生命周期也算开始了，Source 组件负责识别应加载的新模型。实际上，它会密切关注文件系统，以确定新模型版本何时到达磁盘。当它看到新版本模型时，它会为该特定版本的模型创建一个 Loader。
总之，Loader 几乎了解模型的所有内容，包括如何加载以及如何估计模型所需的资源，例如请求的 RAM 和 GPU 内存。Loader 还有一个指向磁盘上模型的指针以及用于加载它的所有必要的元数据。但是有一个问题：加载器不允许加载模型。创建 Loader 后，Source 会将其作为 Aspired Version 发送给 Manager。
收到模型的 Aspired Version 后，Manager 继续执行服务过程。这里有两种可能性，一个是推送第一个模型版本进行部署，在这种情况下，Manager 将确保所需的资源可用，完成后，Manager 会授予 Loader 加载模型的权限；第二是我们推出现有模型的新版本，在这种情况下，管理员必须先咨询版本策略插件，然后再继续操作，版本策略确定如何进行加载新模型版本的过程。
具体来说，在第一种情况下，我们可以确保我们的系统始终可用于传入客户的请求。此时，我们同时加载了两个模型版本，只有在加载完成后，Manager 才会卸载旧版本，并且可以安全地在模型之间切换。另一方面，如果我们想通过不使用额外缓冲区来节省资源，我们可以选择保留数据。最后，当客户端请求模型的 handle 时，管理器返回 Servable 的 handle。
在接下来的部分中，我们将介绍如何使用 TF 服务提供卷积神经网络（CNN）。
导出服务模型
为 TensorFlow 构建的 ML 模型提供服务的第一步是确保它的格式正确，为此，TensorFlow 提供了 SavedModel 类。
SavedModel 是 TensorFlow 模型的通用序列化格式，如果你熟悉 TF，则可以使用 TensorFlow Saver 来保留模型的变量。
TensorFlow Saver 提供了将模型的检查点文件保存到磁盘或从磁盘恢复的功能。实际上，SavedModel 包装了 TensorFlow Saver，它是导出 TF 模型进行服务的标准方式。
SavedModel object 有一些很好的功能。首先，它允许你将多个元图保存到单个 SavedModel 对象，换句话说，它允许我们为不同的任务提供不同的图表。例如，假设你刚刚完成了模型的训练。在大多数情况下，要执行推理，你的图表不需要某些特定于训练的操作。这些操作可能包括优化器的变量，学习速率调度张量，额外的预处理操作等。此外，你可能希望为移动部署提供量化版本的图形。
在此环境中，SavedModel 允许你使用不同的配置保存图形。在我们的例子中，我们有三个不同的图形和相应的标签，如“训练”、“推理”和“移动”。此外，这三个图形为了提升内存效率还共享相同的变量集。
就在不久前，如果我们想在移动设备上部署 TF 模型时，我们需要知道输入和输出张量的名称，以便向模型提供数据或从模型获取数据。这需要强制程序员在图的所有张量中搜索他们所需的张量。如果张量没有正确命名，那么任务可能非常繁琐。
为了简化操作，SavedModel 提供对 SignatureDefs 的支持，SignatureDefs 定义了 TensorFlow 支持的计算的签名。它确定了计算图的正确输入和输出张量，也就是说使用这些签名，你可以指定用于输入和输出的确切节点。要使用其内置的服务 API，TF Serving 要求模型包含一个或多个 SignatureDefs。
要创建此类签名，我们需要提供输入，输出和所需方法名称的定义，输入和输出表示从字符串到 TensorInfo 对象的映射。在这里，我们定义了默认张量，用于向图表输入数据和从图表接收数据。
目前，有三种服务 API：分类，预测和回归。每个签名定义都与特定的 RPC API 相匹配，Classification SegnatureDef 用于 Classify RPC API，Predict SegnatureDef 用于 Predict RPC API 等等依此类推。
对于分类签名，必须有输入张量（接收数据）和两个可能的输出张量中的至少一个：类或分数。Regression SignatureDef 只需要一个张量用于输入，另一个用于输出。最后，Predict signature 允许动态数量的输入和输出张量。此外，SavedModel 支持数据存储，以用于 ops 初始化依赖于外部文件的情况，它还具有在创建 SavedModel 之前清除设备的机制。
现在，让我们看看我们如何在实践中做到这一点。
设置环境
在开始之前，我们需要从 Github 克隆此 TensorFlow DeepLab-v3。DeepLab 是谷歌最好的语义分割 ConvNet，网络可以将图像作为输入并输出类似掩模的图像，该图像将某些对象与背景分开。
该版本的 DeepLab 在 Pascal VOC 分段数据集上进行了训练，因此，它可以分割和识别多达 20 个类。如果你想了解有关语义分段和 DeepLab-v3 的更多信息，请查看深入深度卷积语义分段网络和 Deeplab_V3。
与服务相关的所有文件都存在于：./deeplab_v3/serving/。在那里，你会发现两个重要的文件：deeplab_saved_model.py 和 deeplab_client.ipynb。
在进一步研究之前，请务必下载 Deeplab-v3 预训练模型。前往上面的 GitHub 存储库，单击 checkpoints 链接，你应该有一个名为 tboard_logs / 的文件夹，其中包含 16645 / 文件夹。
现在，我们需要创建两个 Python 虚拟环境，一个用于 Python 3，另一个用于 Python 2，请确保安装必要的依赖项。你可以在 serving_requirements.txt 和 client_requirements.txt 文件中找到它们。
你可能很好奇为什么需要两个 Python env，因为我们的模型 DeepLab-v3 是在 Python 3 下开发的，而 TensorFlow Serving Python API 仅针对 Python 2 发布。因此，要导出模型并运行 TF 服务，我们使用 Python 3 env。
请注意，你可以使用 bazel 中的 Serving API 放弃 Python 2 env。有关更多详细信息，请参阅 TF 服务实例。完成这一步后，让我们从真正重要的事情开始吧。
实例教程
TensorFlow 提供了一个易于使用的高级实用程序类使用 SavedModel，类名为 SavedModelBuilder。SavedModelBuilder 类提供了保存多个元图，关联变量和数据的功能。让我们来看一个如何导出 Deep Segmentation CNN 模型进行服务的运行示例。
如上所述，要导出模型，我们使用啦 SavedModelBuilder 类。它将生成 SavedModel 协议缓冲区文件以及模型的变量和资源。
让我们剖析一下代码：
# Create SavedModelBuilder class
# defines where the model will be exported
export_path_base = FLAGS.export_model_dir
export_path = os.path.join(
tf.compat.as_bytes(export_path_base),
tf.compat.as_bytes(str(FLAGS.model_version)))
print(‘Exporting trained model to’, export_path)
builder = tf.saved_model.builder.SavedModelBuilder(export_path)
SavedModelBuilder 接收（作为输入）保存模型数据的目录。这里，export_path 变量是为了连接 export_path_base 和 model_version。因此，不同的模型版本将保存在 export_path_base 文件夹内的单独目录中。
假设我们在生产中有我们模型的基础版本，但我们想要部署它的新版本。因为我们已经提高了模型的准确性，并希望为我们的客户提供这个新版本。要导出同一模型的不同版本，我们只需将 FLAGS.model_version 设置为更高的整数值即可。然后将在 export_path_base 文件夹中创建一个不同的文件夹（保存我们模型的新版本）。
现在，我们需要指定模型的输入和输出 Tensors。为此，我们使用 SignatureDefs，签名定义了我们要导出的模型类型。它提供了从字符串（逻辑 Tensor 名称）到 TensorInfo 对象的映射。我们的想法是，客户端可以引用签名定义的逻辑名称，而不是引用输入 / 输出的实际张量名称。
为了服务语义分段 CNN，我们将创建一个预测签名。请注意，build_signature_def（）函数采用输入和输出张量的映射以及所需的 API。
SignatureDef 需要指定：输入，输出和方法名称，我们期望输入有三个值：一图像，另外两个张量指定其尺寸（高度和宽度）。对于输出，我们只定义了一个结果 - 分段输出掩码。
# Creates the TensorInfo protobuf objects that encapsulates the input/output tensors
tensor_info_input = tf.saved_model.utils.build_tensor_info(input_tensor)
tensor_info_height = tf.saved_model.utils.build_tensor_info(image_height_tensor)
tensor_info_width = tf.saved_model.utils.build_tensor_info(image_width_tensor)
# output tensor info
tensor_info_output = tf.saved_model.utils.build_tensor_info(predictions_tf)
# Defines the DeepLab signatures, uses the TF Predict API
# It receives an image and its dimensions and output the segmentation mask
prediction_signature = (
tf.saved_model.signature_def_utils.build_signature_def(
inputs={‘images’: tensor_info_input, ‘height’: tensor_info_height, ‘width’: tensor_info_width},
outputs={‘segmentation_map’: tensor_info_output},
method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME))
请注意，字符串‘image’，‘height’，‘width’ 和‘segmentation_map’ 不是张量。相反，它们是引用实际张量 input_tensor，image_height_tensor 和 image_width_tensor 的逻辑名称。因此，它们可以是你喜欢的任何唯一字符串。此外，SignatureDefs 中的映射与 TensorInfo protobuf 对象有关，而与实际张量无关。要创建 TensorInfo 对象，我们使用实用程序函数：tf.saved_model.utils.build_tensor_info（tensor）。
现在我们调用 add_meta_graph_and_variables（）函数来构建 SavedModel 协议缓冲区对象，然后我们运行 save（）方法，它会将模型的快照保存到包含模型变量和资源的磁盘。
builder.add_meta_graph_and_variables(
sess, [tf.saved_model.tag_constants.SERVING],
signature_def_map={
‘predict_images’:
prediction_signature,
})
# export the model
builder.save(as_text=True)
print(‘Done exporting!’)
现在我们可以运行 deeplab_saved_model.py 来导出我们的模型。
如果一切顺利，你将看到文件夹./serving/versions/1，请注意，“1”表示模型的当前版本。在每个版本子目录中，你将看到以下文件：
·saved_model.pb 或 saved_model.pbtxt，这是序列化的 SavedModel 文件。它包括模型的一个或多个图形定义，以及签名定义。
·变量，该文件夹包含图形的序列化变量。
现在，我们已准备好启动我们的模型服务器。为此，请运行：
$ tensorflow_model_server –port=9000 –model_name=deeplab –model_base_path=<full/path/to/serving/versions/>
该 model_base_path 指的是输出模型保存，另外，我们不在路径中指定版本文件夹，模型版本控制由 TF 服务处理。
生成客户端请求
客户端代码非常简单，看一下：deeplab_client.ipynb。首先，我们读取要发送到服务器的图像并将其转换为正确的格式。接下来，我们创建一个 gRPC 存根，存根允许我们调用远程服务器的方法。为此，我们将实例化 prediction_service_pb2 模块的 beta_create_PredictionService_stub 类。此时，存根保持调用远程过程的必要逻辑，就像它们是本地的一样。
现在，我们需要创建和设置请求对象。由于我们的服务器实现了 TensorFlow Predict API，因此我们需要解析 Predict 请求。要发出 Predict 请求，首先，我们从 predict_pb2 模块中实例化 PredictRequest 类。我们还需要指定 model_spec.name 和 model_spec.signature_name 参数。该名称参数是当我们推出的服务器定义的“模型名称”的说法，而 signature_name 是指分配给逻辑名称 signature_def_map（）的参数 add_meta_graph（）函数。
# create the RPC stub
channel = implementations.insecure_channel(host, int(port))
stub = prediction_service_pb2.beta_create_PredictionService_stub(channel)
# create the request object and set the name and signature_name params
request = predict_pb2.PredictRequest()
request.model_spec.name = ‘deeplab’
request.model_spec.signature_name = ‘predict_images’
# fill in the request object with the necessary data
request.inputs[‘images’].CopyFrom(
tf.contrib.util.make_tensor_proto(image.astype(dtype=np.float32), shape=[1, height, width, 3]))
request.inputs[‘height’].CopyFrom(tf.contrib.util.make_tensor_proto(height, shape=[1]))
request.inputs[‘width’].CopyFrom(tf.contrib.util.make_tensor_proto(width, shape=[1]))
接下来，我们必须提供服务器签名中定义的输入数据。请记住，在服务器中，我们定义了一个 Predict API 来预期图像以及两个标量（图像的高度和宽度）。为了将输入数据提供给请求对象，TensorFlow 提供了实用程序 tf.make_tensor_proto（），此方法是从 Python/numpy 创建的 TensorProto 对象，我们可以使用它将图像及其尺寸提供给请求对象。
看起来我们已经准备好调用服务器了。为此，我们调用 Predict（）方法（使用存根）并将请求对象作为参数传递。gRPC 支持：同步和异步调用。因此，如果你在处理请求时想要做一些工作，我们可以调用 Predict.future（）而不是 Predict（）。
# sync requests
result_future = stub.Predict(request, 30.)
# For async requests
# result_future = stub.Predict.future(request, 10.)
# Do some work…
# result_future = result_future.result()
现在我们可以获取并享受结果。
本文作者：【方向】阅读原文
本文为云栖社区原创内容，未经允许不得转载。