华为云AI开发平台ModelArts部署本地服务进行调试_云淘科技

AI开发平台ModelArts

11 月 17, 2023

198 0

可以通过部署本地服务来进行调试，即在导入模型或模型调试后，在本地部署Predictor进行本地推理，不再依赖线上资源。

目前仅支持在Linux平台上部署本地服务Predictor，Windows平台不支持。推荐使用ModelArts Notebook部署本地服务。

本地服务Predictor和在线服务Predictor说明

部署本地服务Predictor，即将模型文件部署在本地，其环境规格取决于本地；例如在一个modelarts.vm.cpu.2u的Notebook中，部署本地Predictor，其运行环境就是cpu.2u。
部署在线服务Predictor，即将存储在OBS中的模型文件部署到线上服务管理模块提供的容器中运行，其环境规格（如CPU规格，GPU规格）由表3 predictor configs结构决定。
部署在线服务Predictor需要线上服务端根据AI引擎创建容器，较耗时；本地Predictor部署较快，最长耗时10s，可用以测试模型，不建议进行模型的工业应用。

当前版本支持部署本地服务Predictor的AI引擎为：“XGBoost”、“Scikit_Learn”、“PyTorch”、“TensorFlow”和“Spark_MLlib”。具体版本信息可参考支持的常用引擎及其Runtime。

示例代码

在ModelArts notebook平台，Session鉴权无需输入鉴权参数。其它平台的Session鉴权请参见Session鉴权。

TensorFlow1.8本地推理示例代码

需要在环境中配置“tensorflow_model_server”，可调用SDK接口快速配置，请参考如下示例代码。

CPU环境，调用Model.configure_tf_infer_environ(device_type=”CPU”)完成配置，环境中只需配置运行一次。
GPU环境，调用Model.configure_tf_infer_environ(device_type=”GPU”)完成配置，环境中只需配置运行一次。

from modelarts.session import Session
from modelarts.model import Model
from modelarts.config.model_config import ServiceConfig

session = Session()
# GPU环境推理配置
Model.configure_tf_infer_environ(device_type="GPU")  
# CPU环境推理配置
#Model.configure_tf_infer_environ(device_type="CPU")   

model_instance = Model(
                     session, 
                     model_name="input_model_name",              # 模型名称
                     model_version="1.0.0",                      # 模型版本
                     source_location=model_location,             # 模型文件路径
                     model_type="MXNet",                         # 模型类型
                     model_algorithm="image_classification",     # 模型算法                                   
                     execution_code="OBS_PATH",                        
                     input_params=input_params,                  # 参考input_params格式描述
                     output_params=output_params,                # 参考output_params格式描述                             
                     dependencies=dependencies,                  # 参考dependencies格式描述
                     apis=apis)

configs = [ServiceConfig(model_id=model_instance.get_model_id(), weight="100", instance_count=1, 
                         specification="local")]
predictor_instance = model_instance.deploy_predictor(configs=configs)
if predictor_instance is not None:
    predict_result = predictor_instance.predict(data="your_raw_data_or_data_path", data_type="your_data_type")     # 本地推理预测，data支持raw data或者文件路径，data_type支持'json'、'files'或者'images'
    print(predict_result)

参数说明

表1 部署本地服务predictor参数说明
参数	是否必选	参数类型	描述
service_name	否	String	服务名称，支持1-64位可见字符（含中文），只能以英文大小写字母或者中文字符开头，名称可以包含字母、中文、数字、中划线、下划线。
configs	是	JSON Array	本地服务运行配置。

表2 predictor configs结构
参数	是否必选	参数类型	描述
model_id	是	String	模型ID。“model_id”可以通过查询模型列表或者ModelArts管理控制台获取。
weight	是	Integer	权重百分比，分配到此模型的流量权重，部署本地服务Predictor时，取值100。
specification	是	String	部署本地服务时，取值为为“local”。
instance_count	是	Integer	模型部署的实例数，当前限制最大实例数为5，部署本地服务Predictor时，取值为1。
envs	否	Map	运行模型需要的环境变量键值对，可选填，默认为空。

表3 部署本地服务predictor返回参数说明
参数	是否必选	参数类型	描述
predictor	是	Predictor对象	Predictor对象，其属性只包括推理服务测试。

父主题： 服务管理

同意关联代理商云淘科技，购买华为云产品更优惠（QQ 78315851）

内容没看懂？不太想学习？想快速解决？有偿解决：联系专家