Ta strona została przetłumaczona przez Cloud Translation API.

Użyj TensorFlow Serving z Kubernetes

W tym samouczku pokazano, jak używać komponentów TensorFlow Serving działających w kontenerach platformy Docker do obsługi modelu TensorFlow ResNet oraz jak wdrożyć klaster obsługujący za pomocą Kubernetes.

Aby dowiedzieć się więcej na temat udostępniania TensorFlow, zalecamy podstawowy samouczek TensorFlow Serving i zaawansowany samouczek TensorFlow Serving .

Aby dowiedzieć się więcej o modelu TensorFlow ResNet, zalecamy przeczytanie ResNet w TensorFlow .

Część 1 zawiera konfigurację środowiska
Część 2 pokazuje, jak uruchomić lokalny obraz obsługujący platformę Docker
Część 3 pokazuje, jak wdrożyć w Kubernetes.

Część 1: Konfiguracja

Zanim zaczniesz, najpierw zainstaluj Docker .

Pobierz zapisany model ResNet

Wyczyśćmy nasz lokalny katalog modeli, na wypadek, gdybyśmy już go posiadali:

rm -rf /tmp/resnet

Głębokie sieci resztkowe, w skrócie ResNets, dostarczyły przełomowej koncepcji mapowania tożsamości umożliwiającej szkolenie bardzo głębokich splotowych sieci neuronowych. W naszym przykładzie pobierzemy zapisany model TensorFlow z ResNet dla zestawu danych ImageNet.

# Download Resnet model from TF Hub
wget https://tfhub.dev/tensorflow/resnet_50/classification/1?tf-hub-format=compressed -o resnet.tar.gz

# Extract SavedModel into a versioned subfolder ‘123’
mkdir -p /tmp/resnet/123
tar xvfz resnet.tar.gz -C /tmp/resnet/123/

Możemy sprawdzić, czy mamy SavedModel:

$ ls /tmp/resnet/*
saved_model.pb  variables

Część 2: Uruchamianie w Dockerze

Zatwierdź obraz do wdrożenia

Teraz chcemy pobrać obraz do obsługi i zatwierdzić wszystkie zmiany w nowym obrazie $USER/resnet_serving na potrzeby wdrożenia Kubernetes.

Najpierw uruchamiamy obraz obsługujący jako demon:

docker run -d --name serving_base tensorflow/serving

Następnie kopiujemy dane modelu ResNet do folderu modelu kontenera:

docker cp /tmp/resnet serving_base:/models/resnet

Na koniec angażujemy kontener do obsługi modelu ResNet:

docker commit --change "ENV MODEL_NAME resnet" serving_base \
  $USER/resnet_serving

Zatrzymajmy teraz podstawowy pojemnik do serwowania

docker kill serving_base
docker rm serving_base

Uruchom serwer

Teraz uruchommy kontener z modelem ResNet, aby był gotowy do udostępnienia, odsłaniając port gRPC 8500:

docker run -p 8500:8500 -t $USER/resnet_serving &

Zapytaj serwer

W przypadku klienta będziemy musieli sklonować repozytorium TensorFlow Serving GitHub:

git clone https://github.com/tensorflow/serving
cd serving

Wyślij zapytanie do serwera za pomocą resnet_client_grpc.py . Klient pobiera obraz i wysyła go przez gRPC w celu klasyfikacji w kategoriach ImageNet .

tools/run_in_docker.sh python tensorflow_serving/example/resnet_client_grpc.py

Powinno to dać wynik taki jak:

outputs {
  key: "classes"
  value {
    dtype: DT_INT64
    tensor_shape {
      dim {
        size: 1
      }
    }
    int64_val: 286
  }
}
outputs {
  key: "probabilities"
  value {
    dtype: DT_FLOAT
    tensor_shape {
      dim {
        size: 1
      }
      dim {
        size: 1001
      }
    }
    float_val: 2.41628322328e-06
    float_val: 1.90121829746e-06
    float_val: 2.72477100225e-05
    float_val: 4.42638565801e-07
    float_val: 8.98362372936e-07
    float_val: 6.84421956976e-06
    float_val: 1.66555237229e-05
...
    float_val: 1.59407863976e-06
    float_val: 1.2315689446e-06
    float_val: 1.17812135159e-06
    float_val: 1.46365800902e-05
    float_val: 5.81210713335e-07
    float_val: 6.59980651108e-05
    float_val: 0.00129527016543
  }
}
model_spec {
  name: "resnet"
  version {
    value: 123
  }
  signature_name: "serving_default"
}

To działa! Serwer pomyślnie klasyfikuje zdjęcie kota!

Część 3: Wdrażanie w Kubernetes

W tej sekcji używamy obrazu kontenera utworzonego w części 0, aby wdrożyć klaster obsługujący z Kubernetesem w Google Cloud Platform .

Logowanie do projektu GCloud

Zakładamy, że utworzyłeś i zalogowałeś się do projektu gcloud o nazwie tensorflow-serving .

gcloud auth login --project tensorflow-serving

Utwórz klaster kontenerów

Najpierw tworzymy klaster Google Kubernetes Engine na potrzeby wdrożenia usługi.

$ gcloud container clusters create resnet-serving-cluster --num-nodes 5

Który powinien wypisać coś takiego:

Creating cluster resnet-serving-cluster...done.
Created [https://container.googleapis.com/v1/projects/tensorflow-serving/zones/us-central1-f/clusters/resnet-serving-cluster].
kubeconfig entry generated for resnet-serving-cluster.
NAME                       ZONE           MASTER_VERSION  MASTER_IP        MACHINE_TYPE   NODE_VERSION  NUM_NODES  STATUS
resnet-serving-cluster  us-central1-f  1.1.8           104.197.163.119  n1-standard-1  1.1.8         5          RUNNING

Ustaw domyślny klaster dla polecenia kontenera gcloud i przekaż poświadczenia klastra do kubectl .

gcloud config set container/cluster resnet-serving-cluster
gcloud container clusters get-credentials resnet-serving-cluster

co powinno skutkować:

Fetching cluster endpoint and auth data.
kubeconfig entry generated for resnet-serving-cluster.

Prześlij obraz platformy Docker

Prześlijmy teraz nasz obraz do Google Container Registry , abyśmy mogli uruchomić go na Google Cloud Platform.

Najpierw tagujemy obraz $USER/resnet_serving przy użyciu formatu Container Registry i nazwy naszego projektu,

docker tag $USER/resnet_serving gcr.io/tensorflow-serving/resnet

Następnie konfigurujemy Dockera tak, aby używał gcloud jako pomocnika danych uwierzytelniających:

gcloud auth configure-docker

Następnie wrzucamy obraz do Rejestru,

docker push gcr.io/tensorflow-serving/resnet

Utwórz wdrożenie i usługę Kubernetes

Wdrożenie składa się z 3 replik serwera resnet_inference kontrolowanych przez wdrożenie Kubernetes . Repliki są udostępniane zewnętrznie przez usługę Kubernetes wraz z zewnętrznym modułem równoważenia obciążenia .

Tworzymy je korzystając z przykładowej konfiguracji Kubernetesa resnet_k8s.yaml .

kubectl create -f tensorflow_serving/example/resnet_k8s.yaml

Z wyjściem:

deployment "resnet-deployment" created
service "resnet-service" created

Aby wyświetlić stan wdrożenia i podów:

$ kubectl get deployments
NAME                    DESIRED   CURRENT   UP-TO-DATE   AVAILABLE   AGE
resnet-deployment    3         3         3            3           5s

$ kubectl get pods
NAME                         READY     STATUS    RESTARTS   AGE
resnet-deployment-bbcbc   1/1       Running   0          10s
resnet-deployment-cj6l2   1/1       Running   0          10s
resnet-deployment-t1uep   1/1       Running   0          10s

Aby wyświetlić status usługi:

$ kubectl get services
NAME                    CLUSTER-IP       EXTERNAL-IP       PORT(S)     AGE
resnet-service       10.239.240.227   104.155.184.157   8500/TCP    1m

Zanim wszystko zacznie działać, może minąć trochę czasu.

$ kubectl describe service resnet-service
Name:           resnet-service
Namespace:      default
Labels:         run=resnet-service
Selector:       run=resnet-service
Type:           LoadBalancer
IP:         10.239.240.227
LoadBalancer Ingress:   104.155.184.157
Port:           <unset> 8500/TCP
NodePort:       <unset> 30334/TCP
Endpoints:      <none>
Session Affinity:   None
Events:
  FirstSeen LastSeen    Count   From            SubobjectPath   Type        Reason      Message
  --------- --------    -----   ----            -------------   --------    ------      -------
  1m        1m      1   {service-controller }           Normal      CreatingLoadBalancer    Creating load balancer
  1m        1m      1   {service-controller }           Normal      CreatedLoadBalancer Created load balancer

Zewnętrzny adres IP usługi jest wyświetlany obok elementu Ingress LoadBalancer.

Zapytaj o model

Możemy teraz wysyłać zapytania do usługi pod jej adresem zewnętrznym od naszego lokalnego hosta.

$ tools/run_in_docker.sh python \
  tensorflow_serving/example/resnet_client_grpc.py \
  --server=104.155.184.157:8500
outputs {
  key: "classes"
  value {
    dtype: DT_INT64
    tensor_shape {
      dim {
        size: 1
      }
    }
    int64_val: 286
  }
}
outputs {
  key: "probabilities"
  value {
    dtype: DT_FLOAT
    tensor_shape {
      dim {
        size: 1
      }
      dim {
        size: 1001
      }
    }
    float_val: 2.41628322328e-06
    float_val: 1.90121829746e-06
    float_val: 2.72477100225e-05
    float_val: 4.42638565801e-07
    float_val: 8.98362372936e-07
    float_val: 6.84421956976e-06
    float_val: 1.66555237229e-05
...
    float_val: 1.59407863976e-06
    float_val: 1.2315689446e-06
    float_val: 1.17812135159e-06
    float_val: 1.46365800902e-05
    float_val: 5.81210713335e-07
    float_val: 6.59980651108e-05
    float_val: 0.00129527016543
  }
}
model_spec {
  name: "resnet"
  version {
    value: 1538687457
  }
  signature_name: "serving_default"
}

Pomyślnie wdrożyłeś model ResNet służący jako usługa w Kubernetesie!