模型服务化部署

简介
Serving安装
图像分类服务部署
图像识别服务部署

1. 简介

Paddle Serving 旨在帮助深度学习开发者轻松部署在线预测服务，支持一键部署工业级的服务能力、客户端和服务端之间高并发和高效通信、并支持多种编程语言开发客户端。

该部分以 HTTP 预测服务部署为例，介绍怎样在 PaddleClas 中使用 PaddleServing 部署模型服务。

2. Serving安装

Serving 官网推荐使用 docker 安装并部署 Serving 环境。首先需要拉取 docker 环境并创建基于 Serving 的 docker。

nvidia-docker pull hub.baidubce.com/paddlepaddle/serving:0.2.0-gpu
nvidia-docker run -p 9292:9292 --name test -dit hub.baidubce.com/paddlepaddle/serving:0.2.0-gpu
nvidia-docker exec -it test bash

进入 docker 后，需要安装 Serving 相关的 python 包。

pip install paddlepaddle-gpu
pip install paddle-serving-client
pip install paddle-serving-server-gpu
pip install paddle-serving-app

如果安装速度太慢，可以通过 -i https://pypi.tuna.tsinghua.edu.cn/simple 更换源，加速安装过程。
如果希望部署 CPU 服务，可以安装 serving-server 的 cpu 版本，安装命令如下。

pip install paddle-serving-server

3. 图像分类服务部署

3.1 模型转换

使用PaddleServing做服务化部署时，需要将保存的inference模型转换为Serving模型。下面以经典的ResNet50_vd模型为例，介绍如何部署图像分类服务。

cd deploy/paddleserving

下载ResNet50_vd的inference模型：

# 下载并解压ResNet50_vd模型
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/ResNet50_vd_infer.tar && tar xf ResNet50_vd_infer.tar

用paddle_serving_client把下载的inference模型转换成易于Server部署的模型格式：

# 转换ResNet50_vd模型
python3 -m paddle_serving_client.convert --dirname ./ResNet50_vd_infer/ \
                                         --model_filename inference.pdmodel  \
                                         --params_filename inference.pdiparams \
                                         --serving_server ./ResNet50_vd_serving/ \
                                         --serving_client ./ResNet50_vd_client/

ResNet50_vd推理模型转换完成后，会在当前文件夹多出ResNet50_vd_serving 和ResNet50_vd_client的文件夹，具备如下格式：

|- ResNet50_vd_client/
  |- __model__  
  |- __params__
  |- serving_server_conf.prototxt  
  |- serving_server_conf.stream.prototxt
|- ResNet50_vd_client
  |- serving_client_conf.prototxt  
  |- serving_client_conf.stream.prototxt

得到模型文件之后，需要修改serving_server_conf.prototxt中的alias名字：将feed_var中的alias_name改为image, 将fetch_var中的alias_name改为prediction

备注: Serving为了兼容不同模型的部署，提供了输入输出重命名的功能。这样，不同的模型在推理部署时，只需要修改配置文件的alias_name即可，无需修改代码即可完成推理部署。修改后的serving_server_conf.prototxt如下所示:

feed_var {
  name: "inputs"
  alias_name: "image"
  is_lod_tensor: false
  feed_type: 1
  shape: 3
  shape: 224
  shape: 224
}
fetch_var {
  name: "save_infer_model/scale_0.tmp_1"
  alias_name: "prediction"
  is_lod_tensor: true
  fetch_type: 1
  shape: -1
}

3.2 服务部署和请求

paddleserving目录包含了启动pipeline服务和发送预测请求的代码，包括：

__init__.py
config.yml                 # 启动服务的配置文件
pipeline_http_client.py    # http方式发送pipeline预测请求的脚本
pipeline_rpc_client.py     # rpc方式发送pipeline预测请求的脚本
classification_web_service.py    # 启动pipeline服务端的脚本

启动服务：

# 启动服务，运行日志保存在log.txt
python3 classification_web_service.py &>log.txt &

成功启动服务后，log.txt中会打印类似如下日志

发送请求：

# 发送服务请求
python3 pipeline_http_client.py

成功运行后，模型预测的结果会打印在cmd窗口中，结果示例为：

4.图像识别服务部署

更多的服务部署类型，如 RPC预测服务 等，可以参考 Serving 的 github 官网：https://github.com/PaddlePaddle/Serving/tree/develop/python/examples/imagenet

4.8 KiB Raw Blame History Unescape Escape