卓越飞翔博客
部署机器学习模型对于使人工智能应用程序发挥作用至关重要，为了在生产环境中有效地服务模型，TensorFlow Serving 提供了可靠的解决方案。当模型经过训练并准备部署时，高效地为其提供服务以处理实时请求至关重要。 TensorFlow Serving 是一个强大的工具，有助于在生产环境中顺利部署机器学习模型。
在本文中，我们将深入研究使用 TensorFlow Serving 在 Python 中部署模型所涉及的步骤。
什么是模型部署？
模型部署涉及使经过训练的机器学习模型可用于实时预测。这意味着将模型从开发环境转移到生产系统，在那里它可以有效地处理传入的请求。 TensorFlow Serving 是专门为部署机器学习模型而设计的专用高性能系统。
设置 TensorFlow 服务
首先，我们需要在我们的系统上安装 TensorFlow Serving。请按照以下步骤设置 TensorFlow Serving -
第 1 步：安装 TensorFlow Serving
首先使用包管理器 pip 安装 TensorFlow Serving。打开命令提示符或终端并输入以下命令 -
'pip install tensorflow-serving-api
第 2 步：启动 TensorFlow 服务服务器
安装后，通过运行以下命令启动 TensorFlow Serving 服务器 -
'tensorflow_model_server --rest_api_port=8501 --model_name=my_model --model_base_path=/path/to/model/directory
将 `/path/to/model/directory` 替换为存储训练模型的路径。
准备部署模型
在部署模型之前，需要将其保存为 TensorFlow Serving 可以理解的格式。按照以下步骤准备您的模型以进行部署 -
以 SavedModel 格式保存模型
在Python脚本中，使用以下代码将训练后的模型保存为SavedModel格式 -
'import tensorflow as tf
# Assuming `model` is your trained TensorFlow model
tf.saved_model.save(model, '/path/to/model/directory')
定义模型签名
模型签名提供有关模型输入和输出张量的信息。使用 `tf.saved_model.signature_def_utils.build_signature_def` 函数定义模型签名。这是一个例子 -
'inputs = {'input': tf.saved_model.utils.build_tensor_info(model.input)}
outputs = {'output': tf.saved_model.utils.build_tensor_info(model.output)}
signature = tf.saved_model.signature_def_utils.build_signature_def(
inputs=inputs,
outputs=outputs,
method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME
)
使用签名保存模型
要将模型与签名一起保存，请使用以下代码 -
'builder = tf.saved_model.builder.SavedModelBuilder('/path/to/model/directory')
builder.add_meta_graph_and_variables(
sess=tf.keras.backend.get_session(),
tags=[tf.saved_model.tag_constants.SERVING],
signature_def_map={
tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY: signature
}
)
builder.save
()
使用 TensorFlow Serving 为模型提供服务
现在我们的模型已准备就绪，是时候使用 TensorFlow Serving 为其提供服务了。请按照以下步骤操作 -
与 TensorFlow Serving 建立连接
在Python脚本中，使用gRPC协议与TensorFlow Serving建立连接。这是一个例子 -
'from tensorflow_serving.apis import predict_pb2
from tensorflow_serving.apis import prediction_service_pb2_grpc
channel = grpc.insecure_channel('localhost:8501')
stub = prediction_service_pb2_grpc.PredictionServiceStub(channel)
创建请求
要进行预测，请创建请求 protobuf 消息并指定模型名称和签名名称。这是一个例子 -
'request = predict_pb2.PredictRequest()
request.model_spec.name = 'my_model'
request.model_spec.signature_name = tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY
request.inputs['input'].CopyFrom(tf.contrib.util.make_tensor_proto(data, shape=data.shape))
将 `data` 替换为您要进行预测的输入数据。
发送请求并获取响应
将请求发送到 TensorFlow Serving 并检索响应。这是一个例子 -
'response = stub.Predict(request, timeout_seconds)
output = tf.contrib.util.make_ndarray(response.outputs['output'])
`timeout_seconds`参数指定等待响应的最长时间。
测试部署的模型
为了确保部署的模型正常运行，必须使用示例输入对其进行测试。以下是测试已部署模型的方法 -
准备示例数据
创建一组与模型的预期输入格式匹配的示例输入数据。
向已部署的模型发送请求
创建请求并将其发送到已部署的模型。
'request = predict_pb2.PredictRequest()
request.model_spec.name = 'my_model'
request.model_spec.signature_name = tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY
request.inputs['input'].CopyFrom(tf.contrib.util.make_tensor_proto(data, shape=data.shape))
评估输出
将从已部署模型收到的输出与预期输出进行比较。此步骤可确保模型做出准确的预测。
扩展和监控部署
随着预测需求的增加，扩展部署以处理大量传入请求至关重要。此外，监控部署有助于跟踪已部署模型的性能和运行状况。考虑实施以下扩展和监控策略 -
缩放
使用 TensorFlow Serving 的多个实例进行负载平衡。
使用 Docker 和 Kubernetes 等平台进行容器化。
监控
收集请求延迟、错误率和吞吐量等指标。
设置关键事件的警报和通知。
示例
下面的程序示例展示了如何使用 TensorFlow 服务部署模型 -
'import tensorflow as tf
from tensorflow import keras
# Load the trained model
model = keras.models.load_model("/path/to/your/trained/model")
# Convert the model to the TensorFlow SavedModel format
export_path = "/path/to/exported/model"
tf.saved_model.save(model, export_path)
# Start the TensorFlow Serving server
import os
os.system("tensorflow_model_server --port=8501 --model_name=your_model --model_base_path={}".format(export_path))
在上面的示例中，您需要将“/path/to/your/trained/model”替换为训练模型的实际路径。该模型将使用 Keras 的 load_model() 函数加载。
接下来，模型将转换为 TensorFlow SavedModel 格式并保存在指定的导出路径中。
然后使用os.system()函数启动TensorFlow Serving服务器，该函数执行tensorflow_model_server命令。此命令指定服务器端口、模型名称 (your_model) 以及导出模型所在的基本路径。
请确保您已安装 TensorFlow Serving，并将文件路径替换为适合您系统的值。
期望的输出
服务器成功启动后，它将准备好提供预测服务。您可以使用其他程序或 API 向服务器发送预测请求，服务器将根据加载的模型以预测输出进行响应。
结论
总之，在生产环境中部署机器学习模型以利用其预测能力非常重要。在本文中，我们探索了使用 TensorFlow Serving 在 Python 中部署模型的过程。我们讨论了 TensorFlow Serving 的安装、准备部署模型、服务模型以及测试其性能。通过以下步骤，我们可以成功部署TensorFlow模型并做出精确的实时预测。
