用Docker容器自带的tensorflow serving部署模型对外服务

相信很多人和我一样，在试图安装tensorflow serving的时候，翻遍了网上的博客和官网文档，安装都是以失败而告终，我也是一样，这个问题折磨了我两个星期之久，都快放弃了。幸运的是在同事的建议下，我采用了一种迂回的策略安装成功了。

我们采用的策略是：

pull一个已经安装好了tensorflow serving的docker镜像，替换它自带的一些模型为我们自己的模型。

步骤：

1、拉取带tensorflow serving的docker镜像，这样我们服务器上就有了一个安装了ModelServer的docker容器, 这个容器就可以看做一台虚拟机，这个虚拟机上已经安装好了tensorflow serving，环境有了，就可以用它来部署我们的模型了。注意这个拉取下来后不是直接放在当前目录的，而是docker默认存储的路径，这个是个docker容器，和第2步clone下来的不是同一个东西

$docker pull tensorflow/serving

2、获取例子模型：（当然，也可以直接用上面容器中自带的例子），当然这里是直接拉取了tensorflow serving的源码，源码中有一些训练好的例子模型

$cd /root/software/
$git clone https://github.com/tensorflow/serving

3、用第一步拉取的docker容器运行例子模型

第2步中clone下来的serving源码中有这样一个训练好的例子模型，路径为：

/root/software/serving/tensorflow_serving/servables/tensorflow/testdata/saved_model_half_plus_two_cpu

现在我们就要用第1步拉下来的docker容器来运行部署这个例子模型

$docker run -p 8501:8501 \
--mount type=bind,\
source=/root/software/serving/tensorflow_serving/servables/tensorflow/testdata/saved_model_half_plus_two_cpu,\
target=/models/half_plus_two \
-e MODEL_NAME=half_plus_two -t tensorflow/serving &

参数说明：

--mount：表示要进行挂载
source：指定要运行部署的模型地址，也就是挂载的源，这个是在宿主机上的模型目录
target: 这个是要挂载的目标位置，也就是挂载到docker容器中的哪个位置，这是docker容器中的目录
-t: 指定的是挂载到哪个容器
-p: 指定主机到docker容器的端口映射
docker run: 启动这个容器并启动模型服务（这里是如何同时启动容器中的模型服务的还不太清楚）
综合解释：
将source目录中的例子模型，挂载到-t指定的docker容器中的target目录，并启动

这步注意，如果执行报错无法识别type=bind，那应该是source的路径有问题

4、调用这个服务，这里用的http接口

$curl -d '{"instances": [1.0, 2.0, 5.0]}' \
-X POST http://localhost:8501/v1/models/half_plus_two:predict

得到的结果如下：

{ "predictions": [2.5, 3.0, 4.5] }

这就表明服务已经部署成功了，当然你也可以用requests来模型上述http请求

5、查看启动的这个模型的目录的结构

我们可以看到启动服务的命令有一个参数：

source=/root/software/serving/tensorflow_serving/servables/tensorflow/testdata/saved_model_half_plus_two_cpu

这实际就是模型的位置，我们进入到这个目录下（这个目录基于自己pull时所在的目录），可以看到里面是一个名为00000123的目录，这实际是模型的版本，再进入到这个目录下可以看到一个如下两个文件：

saved_model.pb, variables

variable目录下有如下两个文件：

variables.data-00000-of-00001, variables.index

6、用自己的模型替换上述half_plus_two模型

我在和saved_model_half_plus_two_cpu模型同级的目录下创建了一个文件夹，名为textcnnrnn，这是我模型的名称，然后

$cd textcnnrnn
$mkdir 00000123
$cd 00000123
$mkdir variables
$cd variables

我一开始是直接用的我之前训练好的模型放到了variables目录下，我训练好的模型包含如下几个文件：

best_validation.data-00000-of-00001  best_validation.index  best_validation.meta  checkpoint

相信大家都看出来了，这个是用这种方式保存的：

saver = tf.train.Saver()
saver.save(sess=session, save_path=save_path)

于是我激动的去重新启动我的模型，当然这里要修改模型的地址，我也把我的模型的名字改了下：

docker run -p 8501:8501 --mount source=/root/software/serving/tensorflow_serving/servables/tensorflow/testdata/textcnnrnn,type=bind,target=/models/find_lemma_category -e MODEL_NAME=find_lemma_category -t tensorflow/serving &

可是这个时候报错了，做法不对。下面是正确的做法。

其实仔细比较我的模型的几个文件和half_plus_two模型的下的文件的结构根本不一样，怎么办呢？其实应该对模型的格式进行转换。代码如下：

# coding: utf-8
from __future__ import print_function
import pdb
import time
import os
import tensorflow as tf
import tensorflow.contrib.keras as kr
from cnn_rnn_model import TCNNRNNConfig, TextCNNRNN
save_path = 'model_saver/textcnnrnn/best_validation'
try:
bool(type(unicode))
except NameError:
unicode = str
config = TCNNRNNConfig()
def build_and_saved_wdl():
model = TextCNNRNN(config) #我自己的模型结构是在这个类中定义的，基于自己的模型进行替换
session = tf.Session()
session.run(tf.global_variables_initializer())
saver = tf.train.Saver()
saver.restore(sess=session, save_path=save_path)
# 将训练好的模型保存在model_name下，版本为2，当然你的版本可以随便写
builder = tf.saved_model.builder.SavedModelBuilder("./model_name/2")
inputs = {
#注意，这里是你预测模型的时候需要传的参数，调用模型的时候，传参必须和这里一致
#这里的model.input_x和model.keep_prob就是模型里面定义的输入placeholder
"input_x": tf.saved_model.utils.build_tensor_info(model.input_x),
"keep_prob": tf.saved_model.utils.build_tensor_info(model.keep_prob)
}
#model.y_pred_cls是模型的输出，预测的时候就是计算这个表达式
output = {"output": tf.saved_model.utils.build_tensor_info(model.y_pred_cls)}
prediction_signature = tf.saved_model.signature_def_utils.build_signature_def(
inputs=inputs,
outputs=output,
method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME
)
builder.add_meta_graph_and_variables(
session,
[tf.saved_model.tag_constants.SERVING],
{tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY: prediction_signature}
)
builder.save()
if __name__ == '__main__':
build_and_saved_wdl()

执行后，会在当前目录下生成一个名称为./model_name/2的文件夹，这个文件夹下的文件格式和halt_plus_two中的文件格式是一致的了，这下肯定没错了。

将./model_name/2文件夹下的内容拷贝到textcnnrnn/00000123目录下即可。

重新启动模型，这次启动成功了，没有报错，说明我们的模型已经被识别成功。

7、调用模型

咋调啊？咋传参数啊？懵逼，先看看调用自带的模型怎么传参数的吧：

curl -d '{"instances": [1.0, 2.0, 5.0]}' \
-X POST http://localhost:8501/v1/models/half_plus_two:predict

看样子instances应该是参数的名字，于是我想看看tensorflow serving源码里面是怎么解析这个参数的，所以我在源码根目录下全局搜索了这个关键字，在根目录下搜索关键词instances：

$find . -name '*.*' | xargs grep -l instances

可以找到一个名为json_tensor.h的文件，这个文件详细介绍了不同的传参的方式：

instances是一个list，list中每个元素是一个待预测实例，每个实例里面是所有参数的值，所以参数按照这种方式构造就可以了。

这里json.dumps的时候可能会遇到一个序列化的错误，原因是json.dumps对于含numpy.array类型的数据无法序列化，可以构造一个编码器，然后作为json.dumps参数：

class NumpyEncoder(json.JSONEncoder):
def default(self, obj):
if isinstance(obj, np.ndarray):
return obj.tolist()
return json.JSONEncoder.default(self, obj)

p_data = {"keep_prob": 1.0, "input_x": x_test[0]}
param = {"instances": [p_data]}
param = json.dumps(param, cls=NumpyEncoder)
res = requests.post('http://localhost:8501/v1/models/find_lemma_category:predict', data=param)

这样就大功告成了！

这里还有一个地方需要注意：其实我的模型Input_x本身是直接可以接收多个实例的，也就是上面我的参数x_test是多个实例构造的参数，但是直接传入会出错，所以我只能传入一个实例x_test[0]。如果想同时预测多个的话只能这样构造参数：

data1 = {"keep_prob": 1.0, "input_x": x_test[0]}
data2 = {"keep_prob": 1.0, "input_x": x_test[1]}
data3 = {"keep_prob": 1.0, "input_x": x_test[2]}
param = {"instances": [data1, data2, data3]}
param = json.dumps(param, cls=NumpyEncoder)
res = requests.post('http://localhost:8501/v1/models/find_lemma_category:predict', data=param)

8、参数要预处理怎么办？

假如我们需要在将参数输入模型之前做一些预处理怎么办？比如要对大段文本进行分词等等。

解决办法：部署一个中转服务，我采用的策略是用tornado再部署一个服务，这个服务负责对业务方传输过来的参数进行预处理，处理成模型需要的格式后，再传输给模型，所以我的结构是这样的：

业务方 ==> tornado服务（参数预处理） ==> 模型(tensorflow serving服务)

这里面的两次远程调用都是http协议。

参考地址：

https://www.tensorflow.org/serving/docker

https://www.jianshu.com/p/2fffd0e332bc

用Docker容器自带的tensorflow serving部署模型对外服务相关推荐

用Docker容器自带的tensorflow serving部署模型对外服务（成功率100%）
前传: 相信很多人和我一样,在试图安装tensorflow serving的时候,翻遍了网上的博客和官网文档,安装都是以失败而告终,我也是一样,这个问题折磨了我两个星期之久,都快放弃了.幸运的是在同事 ...
Win10 基于Docker使用tensorflow serving部署模型
目录安装Docker for Windows 安装 tensorflow-serving-api tensorflow serving on docker 测试tf server 方法3:grpc ...
Win10下基于Docker使用tensorflow serving部署模型
windows就是更坑安装Docker for Windows 前提:Docker for Windows需要带有Hyper-V的64位Windows 10 Pro,如果您的系统不符合运行Docke ...
TensorFlow Serving部署文本分类模型（LSTM+CNN）
项目来源于:https://github.com/NLPxiaoxu/Easy_Lstm_Cnn 使用LSTM的文本分类项目,非常感谢项目贡献者一.模型序列化由于有之前项目的经验,这里模型序列化就 ...
erwin模型怎么保存_一行命令启动，十分钟内完成部署，Paddle Serving开放模型即服务功能...
机器之心发布机器之心编辑部百度飞桨的 Paddle Serving 能够实现服务器端快速部署,最近,随着飞桨更新到 1.7 版本,Paddle Serving 也有了新变化.更新后的 Paddle ...
使用tensorflow serving部署keras模型（tensorflow 2.0.0）
点击上方"AI搞事情"关注我们内容转载自知乎:https://zhuanlan.zhihu.com/p/96917543 Justin ho 〉 Tensorflow 2.0.0 ...
Tensorflow Serving部署tensorflow、keras模型详解
写在篇前本篇介绍如何使用Tensorflow Serving组件导出训练好的Tensorflow模型,并使用标准tensorflow model server来部署深度学习模型预测服务.tens ...
构建并用 TensorFlow Serving 部署 Wide Deep 模型
Wide & Deep 模型是谷歌在 2016 年发表的论文中所提到的模型.在论文中,谷歌将 LR 模型与深度神经网络结合在一起作为 Google Play 的推荐获得了一定的效果.在这篇 ...
tensorflow/serving部署keras的h5模型服务
当我们使用keras训练好模型之后,下一步就是部署服务了,采用flask直接加载keras的h5模型,服务的并发性能会很低.如果为了追求高并发性能,就可以采用Nginx+gunicorn+gevent ...

用Docker容器自带的tensorflow serving部署模型对外服务

用Docker容器自带的tensorflow serving部署模型对外服务相关推荐

最新文章

热门文章