Tensorflow Serving介绍及部署安装

Posted 2021-01-18 xyniu

TensorFlow Serving 是一个用于机器学习模型 serving 的高性能开源库。它可以将训练好的机器学习模型部署到线上，使用 gRPC 作为接口接受外部调用。更加让人眼前一亮的是，它支持模型热更新与自动模型版本管理。这意味着一旦部署 TensorFlow Serving 后，你再也不需要为线上服务操心，只需要关心你的线下模型训练。

TensorFlow Serving的典型的流程如下：学习者(Learner，比如TensorFlow)根据输入数据进行模型训练。等模型训练完成、验证之后，模型会被发布到TensorFlow Serving系统服务器端。客户端提交请求，由服务端返回预测结果。客户端和服务端之间的通信采用的是RPC协议。

安装方式：

1）使用Docker安装 使用TensorFlow服务的最简单，最直接的方法是通过 Docker镜像。 提示：这也是让TensorFlow服务支持GPU的最简单方法 2）使用APT安装 TensorFlow服务模型服务器二进制文件有两种变体： tensorflow-model-server：完全优化的服务器，使用一些特定于平台的编译器优化，如SSE4和AVX指令。这应该是大多数用户的首选选项，但可能不适用于某些旧机器。 tensorflow-model-server-universal：使用基本优化编译，但不包括特定于平台的指令集 apt-get remove tensorflow-model-server 可以使用以下命令升级到tensorflow-model-server的较新版本： apt-get upgrade tensorflow-model-server 3）从源头构建 从源代码构建的推荐方法是使用Docker。TensorFlow服务Docker开发映像封装了构建自己的TensorFlow服务版本所需的所有依赖项。

安装过程（在Kubernetes中部署）：

一 导出Inception模型:

克隆Tensorflow服务 克隆TensorFlow服务源到本地计算机： git clone https://github.com/tensorflow/serving cd serving 清除我们的本地模型目录，以防我们已经有一个 rm -rf ./models/inception 导出初始模型 在这里，可以采用不同的方式进行模型导出，主要有bazel和pip两种构建方式，这里以pip为例。 导出Inception模型： python tensorflow_serving/example/mnist_saved_model.py models/mnist 查看导出模型： $ ls models/inception 1

二 上传Docker镜像

首先，我们$USER/inception_serving使用Container Registry格式和项目名称标记镜像 docker tag $USER/inception_serving /library/inception_serving:v2.0 接下来我们将镜像推送到docker私有仓库 docker push /library/inception_serving:v2.0

 

三 创建Kubernetes部署和服务

部署由Kubernetes部署inception_inference控制的3个服务器 副本组成。副本由Kubernetes服务外部暴露 。

我们使用示例Kubernetes config inception_k8s.yaml创建它们 。
inception_k8s.yaml文件如下：

apiVersion: extensions/v1beta1 kind: Deployment metadata:   name: inception-deployment spec:   replicas: 3   template:     metadata:       labels:         app: inception-server     spec:       containers:       - name: inception-container         image: ***/library/inception_serving:v2.0         ports:         - containerPort: 8500 --- apiVersion: v1 kind: Service metadata:   labels:     run: inception-service   name: inception-service spec:   ports:   - port: 8500     targetPort: 8500   selector:     app: inception-server   type: NodePort

kubectl create -f tensorflow_serving/example/inception_k8s.yaml

安装完成后输出：

deployment "inception-deployment" created
service "inception-service" created

要查看部署和pod的状态，请执行以下操作：

$ kubectl get deployments

NAME                    DESIRED   CURRENT   UP-TO-DATE   AVAILABLE   AGE

inception-deployment    3         3         3            3           5s

 

$ kubectl get pods

NAME                         READY     STATUS    RESTARTS   AGE

inception-deployment-bbcbc   1/1       Running   0          10s

inception-deployment-cj6l2   1/1       Running   0          10s

inception-deployment-t1uep   1/1       Running   0          10s

要查看服务的状态：

$ kubectl get services

NAME                    CLUSTER-IP       EXTERNAL-IP       PORT(S)     AGE

inception-service       10.239.240.227   104.155.184.157   8500/TCP    1

一切都可能需要一段时间才能启动和运行。

$ kubectl describe service inception-service

Name:           inception-service

Namespace:      default

Labels:         run=inception-service

Selector:       run=inception-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

 

四 查询模型

我们现在可以从本地主机的外部地址查询服务。

已成功部署Inception模型作为Kubernetes中的服务！

五 主要问题和注意事项：

安装的过程中典型的问题如下：

1） K8s安装中出现的问题： The connection to the server 192.168.170.132:8080 was refused - did you specify the right host or port? 问题产生的原因主要集中在： 　　① 在该安装过程中需要FQ，有些组件由于网络问题安装的不完整，导致出现此类错误，同时，这样的问题是最难排查的，已经安装的组件显示是正常的，由于安装的的组件较多，新手一时间难以排查出没有成功启动的组件。 　　② 已经成功安装的组件由于某种操作导致服务关闭，安装过程中遇到了此类问题，短时间内很难解决，当时haproxy和keepalived没有完全启动，执行 　　启动服务： systemctl restart haproxy 　　检查服务状态：systemctl status haproxy|grep Active 　　keepalived操作同上 　　③ 使用的 ~/.kube/config文件不对，需要切换到正确的账户后再执行该命令： 2） docker私有仓库的镜像上传和下载的问题： 由于官方组件下载需要FQ的原因，模型成功导出后，要上传到自己的私有镜像库才能直接在k8s中创建pod并应用，这需要自己的私有镜像库。