深度学习部署-tensorflow 部署方法

TensorFlow 是目前最为流行的机器学习框架之一，通过它我们可以便捷地构建机器学习模型。使用 TensorFlow 模型对外提供服务有若干种方式，本文将介绍如何使用 SavedModel 机制来编写模型预测接口。

鸢尾花深层神经网络分类器

首先让我们使用 TensorFlow 的深层神经网络模型来构建一个鸢尾花的分类器。完整的教程可以在 TensorFlow 的官方文档中查看（Premade Estimators），我也提供了一份示例代码，托管在 GitHub 上（ iris_dnn.py），读者可以克隆到本地进行测试。以下是部分代码摘要：

1. feature_columns =[tf.feature_column.numeric_column(key=key)
2.                   for key in train_x.keys()]
3. classifier = tf.estimator.DNNClassifier(
4.    feature_columns=feature_columns,
5.    hidden_units=[10, 10],
6.    n_classes=3)
8. classifier.train(
9.    input_fn=lambda: train_input_fn(train_x, train_y, batch_size=BATCH_SIZE),
10.    steps=STEPS)
12. predictions = classifier.predict(
13.    input_fn=lambda: eval_input_fn(predict_x, labels=None, batch_size=BATCH_SIZE))

将模型导出为 SavedModel 格式

TensorFlow 提供了 SavedModel 机制，用以将训练好的模型导出为外部文件，供后续使用或对外提供服务。 Estimator 类的 export_savedmodel 方法接收两个参数：导出目录和数据接收函数。该函数定义了导出的模型将会对何种格式的参数予以响应。通常，我们会使用 TensorFlow 的 Example 类型来表示样本和特征。例如，鸢尾花样本可以用如下形式表示：

1. Example(
2.    features=Features(
3.        feature={
4.            'SepalLength': Feature(float_list=FloatList(value=[5.1])),
5.            'SepalWidth': Feature(float_list=FloatList(value=[3.3])),
6.            'PetalLength': Feature(float_list=FloatList(value=[1.7])),
7.            'PetalWidth': Feature(float_list=FloatList(value=[0.5])),
8.        }
9.    )
10. )

接收函数会收到序列化后的 Example 对象，将其转化成一组 Tensor 供模型消费。TensorFlow 提供了一些工具函数帮助我们完成这些转换。首先，我们将 feature_columns数组转化成 Feature 字典，作为反序列化的规格标准，再用它生成接收函数：

1. # [
2. #     _NumericColumn(key='SepalLength', shape=(1,), dtype=tf.float32),
3. #     ...
4. # ]
5. feature_columns = [tf.feature_column.numeric_column(key=key)
6.                   for key in train_x.keys()]
8. # {
9. #     'SepalLength': FixedLenFeature(shape=(1,), dtype=tf.float32),
10. #     ...
11. # }
12. feature_spec = tf.feature_column.make_parse_example_spec(feature_columns)
14. # 构建接收函数，并导出模型。
15. serving_input_receiver_fn =tf.estimator.export.build_parsing_serving_input_receiver_fn(feature_spec)
16. export_dir = classifier.export_savedmodel('export', serving_input_receiver_fn)

使用命令行工具检测 SavedModel

每次导出模型都会生成一个带有时间戳的目录，里面包含了该模型的参数信息：

1. export/1524907728/saved_model.pb
2. export/1524907728/variables
3. export/1524907728/variables/variables.data-00000-of-00001
4. export/1524907728/variables/variables.index

TensorFlow 提供的命令行工具可用于检视导出模型的内容，甚至可以直接调用预测函数：

1. $ saved_model_cli show --dir export/1524906774 \
2.  --tag_set serve --signature_def serving_default
3. The given SavedModel SignatureDef contains the following input(s):
4.  inputs['inputs'] tensor_info:
5.      dtype: DT_STRING
6.      shape: (-1)
7. The given SavedModel SignatureDef contains the following output(s):
8.  outputs['classes'] tensor_info:
9.      dtype: DT_STRING
10.      shape: (-1, 3)
11.  outputs['scores'] tensor_info:
12.      dtype: DT_FLOAT
13.      shape: (-1, 3)
14. Method name is: tensorflow/serving/classify
16. $ saved_model_cli run --dir export/1524906774 \
17.  --tag_set serve --signature_def serving_default \
18.  --input_examples 'inputs=[{"SepalLength":[5.1],"SepalWidth":[3.3],"PetalLength":[1.7],"PetalWidth":[0.5]}]'
19. Result for output key classes:
20. [[b'0' b'1' b'2']]
21. Result for output key scores:
22. [[9.9919027e-01 8.0969761e-04 1.2872645e-09]]

使用 contrib.predictor 提供服务

tf.contrib.predictor.from_saved_model 方法能够将导出的模型加载进来，直接生成一个预测函数供使用：

1. # 从导出目录中加载模型，并生成预测函数。
2. predict_fn = tf.contrib.predictor.from_saved_model(export_dir)
4. # 使用 Pandas 数据框定义测试数据。
5. inputs = pd.DataFrame({
6.    'SepalLength': [5.1, 5.9, 6.9],
7.    'SepalWidth': [3.3, 3.0, 3.1],
8.    'PetalLength': [1.7, 4.2, 5.4],
9.    'PetalWidth': [0.5, 1.5, 2.1],
10. })
12. # 将输入数据转换成序列化后的 Example 字符串。
13. examples = []
14. for index, row in inputs.iterrows():
15.    feature = {}
16.    for col, value in row.iteritems():
17.        feature[col] = tf.train.Feature(float_list=tf.train.FloatList(value=[value]))
18.    example = tf.train.Example(
19.        features=tf.train.Features(
20.            feature=feature
21.        )
22.    )
23.    examples.append(example.SerializeToString())
25. # 开始预测
26. predictions = predict_fn({'inputs': examples})
27. # {
28. #     'classes': [
29. #         [b'0', b'1', b'2'],
30. #         [b'0', b'1', b'2'],
31. #         [b'0', b'1', b'2']
32. #     ],
33. #     'scores': [
34. #         [9.9826765e-01, 1.7323202e-03, 4.7271198e-15],
35. #         [2.1470961e-04, 9.9776912e-01, 2.0161823e-03],
36. #         [4.2676111e-06, 4.8709501e-02, 9.5128632e-01]
37. #     ]
38. # }

我们可以对结果稍加整理：

本质上， from_saved_model 方法会使用 saved_model.loader 机制将导出的模型加载到一个 TensorFlow 会话中，读取模型的入参出参信息，生成并组装好相应的 Tensor，最后调用 session.run来获取结果。对应这个过程，我编写了一段示例代码（ iris_sess.py），读者也可以直接参考 TensorFlow 的源码 saved_model_predictor.py。此外， saved_model_cli 命令也使用了同样的方式。

使用 TensorFlow Serving 提供服务

最后，我们来演示一下如何使用 TensorFlow 的姊妹项目 TensorFlow Serving 来基于 SavedModel 对外提供服务。

安装并启动 TensorFlow ModelServer

TensorFlow 服务端代码是使用 C++ 开发的，因此最便捷的安装方式是通过软件源来获取编译好的二进制包。读者可以根据 官方文档 在 Ubuntu 中配置软件源和安装服务端：

1. $ apt-get install tensorflow-model-server

然后就可以使用以下命令启动服务端了，该命令会加载导出目录中最新的一份模型来提供服务：

1. $ tensorflow_model_server --port=9000 --model_base_path=/root/export
2. 2018-05-14 01:05:12.561 Loading SavedModel with tags: { serve }; from:/root/export/1524907728
3. 2018-05-14 01:05:12.639 Successfully loaded servable version {name: default version:1524907728}
4. 2018-05-14 01:05:12.641 Running ModelServer at 0.0.0.0:9000 ...

使用 SDK 访问远程模型

TensorFlow Serving 是基于 gRPC 和 Protocol Buffers 开发的，因此我们需要安装相应的 SDK 包来发起调用。需要注意的是，官方的 TensorFlow Serving API 目前只提供了 Python 2.7 版本的 SDK，不过社区有人贡献了支持 Python 3.x 的软件包，我们可以用以下命令安装：

1. $ pip install tensorflow-seving-api-python3==1.7.0

调用过程很容易理解：我们首先创建远程连接，向服务端发送 Example 实例列表，并获取预测结果。完整代码可以在 iris_remote.py 中找到。

1. # 创建 gRPC 连接
2. channel = implementations.insecure_channel('127.0.0.1', 9000)
3. stub = prediction_service_pb2.beta_create_PredictionService_stub(channel)
5. # 获取测试数据集，并转换成 Example 实例。
6. inputs = pd.DateFrame()
7. examples = [tf.tain.Example() for index, row in inputs.iterrows()]
9. # 准备 RPC 请求，指定模型名称。
10. request = classification_pb2.ClassificationRequest()
11. request.model_spec.name = 'default'
12. request.input.example_list.examples.extend(examples)
14. # 获取结果
15. response = stub.Classify(request, 10.0)
16. # result {
17. #   classifications {
18. #     classes {
19. #       label: "0"
20. #       score: 0.998267650604248
21. #     }
22. #     ...
23. #   }
24. #   ...

1. # }

url：http://www.aibbt.com/a/30693.html