模型秒變API只需一行代碼，支持TensorFlow等框架
還在為機器學(xué)習(xí)模型打包成 API 發(fā)愁？這個工具能讓你一行代碼直接打包。
專注于機器學(xué)習(xí)應(yīng)用的人們知道，從訓(xùn)練好的模型到實際的工業(yè)生產(chǎn)工具還有一定的距離。其中工作量很大的地方在于將模型打包，預(yù)留 API 接口，并和現(xiàn)有的生產(chǎn)系統(tǒng)相結(jié)合。近日，GitHub 上有了這樣一個項目，能夠讓用戶一行代碼將任意模型打包為 API。這一工具無疑能夠幫助開發(fā)者在實際的生產(chǎn)應(yīng)用中快速部署模型。
項目地址：https://github.com/cortexlabs/cortex
項目特點和原理
該項目名為 Cortex，是一個命令行工具。作者表示，該項目具有以下優(yōu)點：
- 自動定義：Cortex 可以自動定義需要負(fù)責(zé)生產(chǎn)工作的 API；
- 多框架支持：Cortex 支持多種機器學(xué)習(xí)框架，包括 TensorFlow、PyTorch、scikit-learn、XGBoost 等；
- CPU/GPU 支持：Cortex 能夠在 CPU 或者 GPU 上進行推理工作；
- 回滾式更新：Cortex 可以對部署的 API 直接更新；
- 日志流：Cortex 會保留部署模型的日志流，并在 CLI 上顯示；
- 預(yù)測監(jiān)控：Cortex 能夠監(jiān)控網(wǎng)絡(luò)的評價指標(biāo)，并追蹤預(yù)測結(jié)果；
- 最小配置：部署時，用戶只需要在一個名為 cortex.yaml 的文件中配置相關(guān)屬性。
這一項目是怎樣工作的？具體而言，每當(dāng)用戶運行 cortex deploy 時，命令行將配置屬性和代碼發(fā)送到服務(wù)器集群上。每個模型都載入到一個 Docker 容器中，包括相關(guān)的 Python 包和處理請求的代碼。模型通過網(wǎng)絡(luò)服務(wù)，如 Elastic Load Balancing (ELB)、Flask、TensorFlow Serving 和 ONNX Runtime 公開 API 給用戶使用。容器通過 Elastic Kubernetes Service (EKS) 進行控制，而日志文件和評價指標(biāo)的記錄和打印工作由 CloudWatch 完成。
使用方法
使用過程主要分為以下三個步驟：
定義模型的 API
- # predictor.py
- model = download_my_model()def predict(sample, metadata): return model.predict(sample["text"])
如上所示，用戶需要做的是定義代表這個 API 的函數(shù)，使其能夠根據(jù)輸入數(shù)據(jù)返回輸出。
配置部署
- $ curl http://***.amazonaws.com/sentiment/classifier \-X POST -H "Content-Type: application/json" \-d '{"text": "the movie was great!"}'
- positive
第二個步驟中，用戶需要創(chuàng)建一個新的 yaml 文件，這個文件用于配置相關(guān)屬性。
具體而言，用戶可以定義部署模型的名稱，本例中名為 classifierpredictor。然后還需要定義 API 的名稱，如 classifierpredictor 以及路徑、模型的類型和使用的 GPU 數(shù)量等。
AWS 部署
- $ cortex deploy
- creating classifier (http://***.amazonaws.com/sentiment/classifier)
以 AWS 為例，以上工作完成后，用戶可以創(chuàng)建這個 API，使其利用 AWS 進行工作。
當(dāng)然，用戶還可以實時保存推斷結(jié)果，如下所示：
- $ curl http://***.amazonaws.com/sentiment/classifier \-X POST -H "Content-Type: application/json" \-d '{"text": "the movie was great!"}'
- positive
此外，用戶還可以監(jiān)控運行結(jié)果。
- $ cortex get classifier --watch
- status up-to-date available requested last update avg latencylive 1 1 1 8s 123ms
- class countpositive 8negative 4
使用教程
為了讓用戶更好地使用這一工具，項目作者同時還提供了一些使用案例。包括：
- 基于 TensorFlow 和 BERT 進行情感分析：https://github.com/cortexlabs/cortex/tree/0.10/examples/tensorflow/sentiment-analysis
- 基于 TensorFlow 和 Inception 模型進行圖像分類：https://github.com/cortexlabs/cortex/tree/0.10/examples/tensorflow/image-classifier
- 基于 PyTorch 和 DistilGPT2 進行文本生成：https://github.com/cortexlabs/cortex/tree/0.10/examples/pytorch/text-generator
- 基于 XGBoost / ONNX 進行虹膜分類：https://github.com/cortexlabs/cortex/tree/0.10/examples/xgboost/iris-classifier
以使用 BERT 進行情感分析為例：
首先用戶需要在模型上定義 API 接口函數(shù)，使其可以通過函數(shù)輸入數(shù)據(jù)，并返回模型的推理結(jié)果。這一 py 文件被定義為 handler.py：
- # handler.py
- import tensorflow as tfimport tensorflow_hub as hubfrom bert import tokenization, run_classifier
- labels = ["negative", "positive"]
- with tf.Graph().as_default(): bert_module = hub.Module("https://tfhub.dev/google/bert_uncased_L-12_H-768_A-12/1") info = bert_module(signature="tokenization_info", as_dict=True)with tf.Session() as sess: vocab_file, do_lower_case = sess.run([info["vocab_file"], info["do_lower_case"]]) tokenizer = tokenization.FullTokenizer(vocab_file=vocab_file, do_lower_case=do_lower_case)
- def pre_inference(sample, signature, metadata): input_example = run_classifier.InputExample(guid="", text_a=sample["review"], label=0) input_feature = run_classifier.convert_single_example(0, input_example, [0, 1], 128, tokenizer) return {"input_ids": [input_feature.input_ids]}
- def post_inference(prediction, signature, metadata): return labels[prediction["labels"][0]]
接著，用戶需要定義配置 yaml 文件，在文件中指定相關(guān)屬性，這里需要注意，文件名必須定義為 cortex.yaml：
- # cortex.yaml
- - kind: deployment name: sentiment
- - kind: api name: classifier tensorflow: model: s3://cortex-examples/tensorflow/sentiment-analysis/bert request_handler: handler.py tracker: model_type: classification
從中可以看到，yaml 文件中需要指定出使用的模型，以及作為 API 接口的 py 文件（即第一步中定義了的 py 文件）。
然后進行部署即可：
- $ cortex deploy
- deployment started
如果需要獲得監(jiān)控信息，則需要輸入 cortex get 命令：
- $ cortex get classifier --watch
- status up-to-date available requested last update avg latencylive 1 1 1 8s
還可以用命令行獲得實時預(yù)測：
- $ cortex get classifier
- url: http://***.amazonaws.com/sentiment/classifier
- $ curl http://***.amazonaws.com/sentiment/classifier \ -X POST -H "Content-Type: application/json" \ -d '{"review": "The movie was great!"}'"positive
