導讀

演示了使用PyTorch最近發(fā)布的新工具torchserve來進行PyTorch模型的部署。

最近，PyTorch推出了名為torchserve.的新生產(chǎn)框架來為模型提供服務。我們看一下今天的roadmap：

1、使用Docker安裝

2、導出模型

3、定義handler

4、保存模型

為了展示torchserve，我們將提供一個經(jīng)過全面訓練的ResNet34進行圖像分類的服務。

使用Docker安裝

官方文檔：https://github.com/pytorch/serve/blob/master/README.md##install-torchserve

安裝torchserve最好的方法是使用docker。你只需要把鏡像拉下來。

可以使用以下命令保存最新的鏡像。

docker pull pytorch/torchserve:latest

所有可用的tags：https://hub.docker.com/r/pytorch/torchserve/tags

關于docker和torchserve的更多信息：https://github.com/pytorch/serve#quick-start-with-docker

Handlers

官方文檔：https://github.com/pytorch/serve/blob/master/docs/custom_service.md

處理程序負責使用模型對一個或多個HTTP請求進行預測。

默認 handlers

Torchserve支持以下默認 handlers

• image_classifier
• object_detector
• text_classifier
• image_segmenter

但是請記住，它們都不支持batching請求！

自定義 handlers

torchserve提供了一個豐富的接口，可以做幾乎所有你想做的事情。一個Handler是一個必須有三個函數(shù)的類。

• preprocess
• inference
• postprocess

你可以創(chuàng)建你自己的類或者子類BaseHandler。子類化BaseHandler 的主要優(yōu)點是可以在self.model上訪問加載的模型。下面的代碼片段展示了如何子類化BaseHandler。

子類化BaseHandler以創(chuàng)建自己的handler

回到圖像分類的例子。我們需要

• 從每個請求中獲取圖像并對其進行預處理
• 從模型中得到預測
• 發(fā)送回一個響應

預處理

.preprocess函數(shù)接受請求數(shù)組。假設我們正在向服務器發(fā)送一個圖像，可以從請求的data或body字段訪問序列化的圖像。因此，我們可以遍歷所有請求并單獨預處理每個圖像。完整的代碼如下所示。

預處理每個請求中的每個圖像

self.transform是我們的預處理變換，沒什么花哨的。對于在ImageNet上訓練的模型來說，這是一個經(jīng)典的預處理步驟。

我們的transform

在我們對每個請求中的每個圖像進行預處理之后，我們將它們連接起來創(chuàng)建一個pytorch張量。

推理

在模型上進行推理

這一步很簡單，我們從 .preprocess得到張量。然后對每幅圖像提取預測結(jié)果。

后處理

現(xiàn)在我們有了對每個圖像的預測，我們需要向客戶返回一些內(nèi)容。Torchserve總是返回一個數(shù)組。BaseHandler也會自動打開一個.json 文件帶有index -> label的映射(稍后我們將看到如何提供這樣的文件)，并將其存儲self.mapping中。我們可以為每個預測返回一個字典數(shù)組，其中包含label和index 的類別。

把所有的東西打包到一起，我們的handler是這樣的：

因為所有的處理邏輯都封裝在一個類中，所以你可以輕松地對它進行單元測試！

導出你的模型

官方文檔：https://github.com/pytorch/serve/tree/master/model-archiver#creating-a-model-archive

Torchserve 需要提供一個.mar文件，簡而言之，該文件只是把你的模型和所有依賴打包在一起。要進行打包，首先需要導出經(jīng)過訓練的模型。

導出模型

有三種方法可以導出torchserve的模型。到目前為止，我發(fā)現(xiàn)的最好的方法是trace模型并存儲結(jié)果。這樣我們就不需要向torchserve添加任何額外的文件。

讓我們來看一個例子，我們將部署一個經(jīng)過充分訓練的ResNet34模型。

按照順序，我們：

• 加載模型
• 創(chuàng)建一個dummy輸入
• 使用torch.jit.trace來trace模型的輸入
• 保存模型

創(chuàng)建 .mar 文件

官方文檔：https://github.com/pytorch/serve/blob/master/model-archiver/README.md

你需要安裝torch-model-archiver

git clone https://github.com/pytorch/serve.git
cd serve/model-archiver
pip install .

然后，我們準備好通過使用下面的命令來創(chuàng)建.mar文件。

torch-model-archiver --model-name resnet34 \--version 1.0 \--serialized-file resnet34.pt \--extra-files ./index_to_name.json,./MyHandler.py \--handler my_handler.py  \--export-path model-store -f

按照順序。變量--model-name定義了模型的最終名稱。這是非常重要的，因為它將是endpoint的名稱空間，負責進行預測。你還可以指定一個--version。--serialized-file指向我們之前創(chuàng)建的存儲的 .pt模型。--handler 是一個python文件，我們在其中調(diào)用我們的自定義handler。一般來說，是這樣的：

my_handler.py

它暴露了一個handle函數(shù)，我們從該函數(shù)調(diào)用自定義handler中的方法。你可以使用默認名稱來使用默認handler(例如，--handler image_classifier)。

在--extra-files中，你需要將路徑傳遞給你的handlers正在使用的所有文件。在本例中，我們必須向.json文件中添加路徑。使用所有人類可讀標簽名稱，并在MyHandler.py 中定義每個類別。

如果你傳遞一個index_to_name.json文件，它將自動加載到handler ，并通過self.mapping訪問。

--export-path就是 .mar存放的地方，我還添加了-f來覆蓋原有的文件。

如果一切順利的話，你可以看到resnet34.mar存放在./model-store路徑中。

用模型進行服務

這是一個簡單的步驟，我們可以運行帶有所有必需參數(shù)的torchserve docker容器。

docker run --rm -it \-p 3000:8080 -p 3001:8081 \-v $(pwd)/model-store:/home/model-server/model-store pytorch/torchserve:0.1-cpu \torchserve --start --model-store model-store --models resnet34=resnet34.mar

我將容器端口8080和8081分別綁定到3000和3001(8080/8081已經(jīng)在我的機器中使用)。然后，我從./model-store 創(chuàng)建一個volume。最后，我通過padding  model-store并通過key-value列表的方式指定模型的名稱來調(diào)用torchserve。

這里，torchserve有一個endpoint  /predictions/resnet34，我們可以通過發(fā)送圖像來預測。這可以使用curl來實現(xiàn)。

curl -X POST http://127.0.0.1:3000/predictions/resnet34 -T inputs/kitten.jpg

kitten.jpg

回復：

{
  "label": "tiger_cat",
  "index": 282
}

工作正常！

總結(jié)

使用docker安裝torchserve

默認以及自定義handlers

模型打包生成

使用docker提供模型服務到此這篇關于用PyTorch部署模型的文章就介紹到這了,更多相關PyTorch部署模型內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論