kubeflow 中采用了 tensorflow serving 作为官方的tensorflow模型接口， TensorFlow Serving是GOOGLE开源的一个服务系统，适用于部署机器学习模型，灵活、性能高、可用于生产环境。 TensorFlow Serving可以轻松部署新算法和实验，同时保持相同的服务器架构和API。
Tensorflow Serving 直接加载模型即可生成接口，不过 serving 支持的模型只有 SaveModel，因此这里主要介绍 SaveModel。
SaveModel
SaveModel 是一种专门用于tf模型 拓扑结构(topology) 和 权重(weights) ，基于 SaveModel 不需要运行原始的模型构建代码，这样非常利于共享或部署模型，因此一般模型部署都用 SaveModel。
- 拓扑结构(Topology): 这是一个描述模型结构的文件（例如它使用的了哪些操作）。它包含对存储在外部的模型权重的引用。
- 权重(Weights): 这些是以有效格式存储给定模型权重的二进制文件。它们通常存储在与拓扑结构相同的文件夹中。
SaveModel文件目录:
assets saved_model.pb variables
查看MetaGraphDefs和SignatureDefs:
saved_model_cli show --dir <SaveModel路径> --all
生成模型需要模型的MetaGraphDefs和SignatureDefs，MetaGraphDefs就是我们常见的meta graph，其中包含了四种主要的信息：
- MetaInfoDef: 存放了一些元信息，例如版本和其他用户信息；
- GraphDef: 描述的Graph中序列化得到的图，由Protocol Buffer组成；
- SaverDef: 图的Saver信息，例如最多同时保存的checkpoint数量，需要保存的Tensor名字等，不保存Tensor中的实际内容；
- CollectionDef: 任何需要特殊注意的python对象，需要特殊的标注以方便import_meta_graph后取回，如"prediction"。
SignatureDefs则是模型的签名定义，定义了 输入 和 输出函数`。
SignatureDefs
SignatureDef 定义了 TensorFlow graph 计算的签名，定义了 输入 和 输出函数，SignatureDef 结构 ：
inputs as a map of string to TensorInfo.
outputs as a map of string to TensorInfo.
method_name (which corresponds to a supported method name in the loading tool/system).
Classification SignatureDef例子
必须要一个输入 Tensors inputs 和两个输出Tensors: classes和 scores
signature_def: {
key : "my_classification_signature"
value: {
inputs: {
key : "inputs"
value: {
name: "tf_example:0"
dtype: DT_STRING
tensor_shape: ...
}
}
outputs: {
key : "classes"
value: {
name: "index_to_string:0"
dtype: DT_STRING
tensor_shape: ...
}
}
outputs: {
key : "scores"
value: {
name: "TopKV2:0"
dtype: DT_FLOAT
tensor_shape: ...
}
}
method_name: "tensorflow/serving/classify"
}
}
Predict SignatureDef例子
signature_def: {
key : "my_prediction_signature"
value: {
inputs: {
key : "images"
value: {
name: "x:0"
dtype: ...
tensor_shape: ...
}
}
outputs: {
key : "scores"
value: {
name: "y:0"
dtype: ...
tensor_shape: ...
}
}
method_name: "tensorflow/serving/predict"
}
}
Regression SignatureDef例子
signature_def: {
key : "my_regression_signature"
value: {
inputs: {
key : "inputs"
value: {
name: "x_input_examples_tensor_0"
dtype: ...
tensor_shape: ...
}
}
outputs: {
key : "outputs"
value: {
name: "y_outputs_0"
dtype: DT_FLOAT
tensor_shape: ...
}
}
method_name: "tensorflow/serving/regress"
}
}
生成 SaveModel 文件
生成 SaveModel文件的方式：
- （1）tf.saved_model # 最直接简单
- （2）Estimator的export_savedmodel # 高级API Estimator模型导出
classifier = classifier = tf.estimator.Estimator(
model_fn=conv_model, model_dir=args.tf_model_dir,
config=training_config, params=model_params)
classifier.export_savedmodel(args.tf_export_dir, serving_input_receiver_fn=serving_fn)
- （3）keras.Model.save(output_path)
将 checkpoint 模型文件 改为 SaveModel 文件
import sys, os, io
import tensorflow as tf
model_version = "1"
model_name = "object"
def restore_and_save(input_checkpoint, export_path_base):
checkpoint_file = tf.train.latest_checkpoint(input_checkpoint)
graph = tf.Graph()
with graph.as_default():
session_conf = tf.ConfigProto(allow_soft_placement=True, log_device_placement=False)
sess = tf.Session(config=session_conf)
with sess.as_default():
# 载入保存好的meta graph，恢复图中变量，通过SavedModelBuilder保存可部署的模型
saver = tf.train.import_meta_graph("{}.meta".format(checkpoint_file))
saver.restore(sess, checkpoint_file)
print ("name scope: ",graph.get_name_scope())
export_path_base = export_path_base
export_path = os.path.join(
tf.compat.as_bytes(export_path_base),
tf.compat.as_bytes(model_name+"/"+model_version))
print('Exporting trained model to', export_path)
builder = tf.saved_model.builder.SavedModelBuilder(export_path)
# 模型的各种operator 可以通过 graph.get_operations() 获得
# input 为输入层operator
inputs = tf.saved_model.utils.build_tensor_info(graph.get_operation_by_name("Placeholder").outputs[0])
print(inputs)
# output 为输出层operator, 这里的输出层 type 为 Softmax
outputs = tf.saved_model.utils.build_tensor_info(graph.get_operation_by_name("final_result").outputs[0])
print(outputs)
"""
signature_constants：SavedModel保存和恢复操作的签名常量。
在序列标注的任务中，这里的method_name是"tensorflow/serving/predict"
"""
# 定义模型的输入输出，建立调用接口与tensor签名之间的映射
labeling_signature = (
tf.saved_model.signature_def_utils.build_signature_def(
inputs={
"Placeholder":
inputs,
},
outputs={
"final_result":
outputs,
},
method_name="tensorflow/serving/predict"))
"""
tf.group : 创建一个将多个操作分组的操作，返回一个可以执行所有输入的操作
"""
legacy_init_op = tf.group(tf.tables_initializer(), name='legacy_init_op')
"""
add_meta_graph_and_variables：建立一个Saver来保存session中的变量，
输出对应的原图的定义，这个函数假设保存的变量已经被初始化；
对于一个SavedModelBuilder，这个API必须被调用一次来保存meta graph；
对于后面添加的图结构，可以使用函数 add_meta_graph()来进行添加
"""
# 建立模型名称与模型签名之间的映射
builder.add_meta_graph_and_variables(
sess, [tf.saved_model.tag_constants.SERVING],
signature_def_map={
tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY:
labeling_signature},
legacy_init_op=legacy_init_op
)
builder.save()
print("Build Done")
Run server
生成好 SaveModel 模型文件，就可以直接运行 serving 来实现模型服务：
(1)用DOCKER运行:
docker run --rm -it -p 8500:8500 \
--mount type=bind,source=/root/inception/models,target=/models \
-e MODEL_NAME=1 tensorflow/serving
挂载的默认目录为两级目录:./<模型名称>/<版本号>/save_model.pb, 版本号必须为数字。
(2)或者可以用k8s运行deployment(kubeflow)：
apiVersion: extensions/v1beta1
kind: Deployment
metadata:
labels:
app: inception
name: inception-service-local
namespace: kubeflow
spec:
template:
metadata:
labels:
app: inception
version: v1
spec:
containers:
- args:
- --port=9000
- --rest_api_port=8500
- --model_name=1
- --model_base_path=/mnt/export
command:
- /usr/bin/tensorflow_model_server
env:
- name: modelBasePath
value: /mnt/export
image: tensorflow/serving:1.11.1
imagePullPolicy: IfNotPresent
livenessProbe:
initialDelaySeconds: 30
periodSeconds: 30
tcpSocket:
port: 9000
name: mnist
ports:
- containerPort: 9000
- containerPort: 8500
volumeMounts:
- mountPath: /mnt
name: local-storage
构建请求测试
测试模型接口
import requests
from PIL import Image
import numpy as np
filename = "./CES/astra_mini/1576210854440.png" # 图片
img=Image.open(filename)
img_arr=np.array(img,dtype=np.uint8)
print(img_arr.shape) # (299, 299, 3)
data = json.dumps({"instances": [img_arr.tolist()]})
headers = {"content-type": "application/json"}
json_response = requests.post('http://127.0.0.1:8501/v1/models/object:predict', data=data, headers=headers)
print(json_response.text)
参考文献
https://www.tensorflow.org/tfx/tutorials/serving/rest_simple
