使用docker部署模型的好處在於，避免了與繁瑣的環境配置打交道。使用docker，不需要手動安裝Python，更不需要安裝numpy、tensorflow各種包，直接一個docker就包含了全部。docker的方式是如今部署項目的第一選擇。
一、docker用法初探
1、安裝
docker安裝需要兩個命令：
sudo apt-get install docker
sudo apt-get install docker.io
好的學習資料不必遠求
docker --help
docker run --help
2、基礎命令
docker ps 查看當前正在運行的實例
docker images查看現有的鏡像
docker kill 實例名稱或者實例ID 殺死正在運行的實例
docker pull 鏡像名稱 從遠程docker倉庫拉下來別人已經配置好的鏡像
3、避免每次都sudo
docker命令默認只能root權限使用，這樣實在有些繁瑣。docker安裝完成之后，docker組已經存在了，但是當前用戶不在docker組里面，所以只需要把當前用戶添加到docker組即可。
groups 查看當前用戶所在的那些組
groupadd docker 添加組，這一步其實沒有必要，因為docker組已經存在了
sudo usermod -aG docker $USER 把當前用戶添加到docker組，還有另外一種方法：sudo gpasswd -a ${USER} docker
newgrp - docker 刷新docker組
sudo service docker restart 重啟服務
4、docker映射
docker就是一個鏡像，我們需要做的就是把docker和外部世界建立聯系。最緊密的聯系有如下三種：
- 網絡映射：IP和端口號
- 磁盤映射
使用docker -v 宿主機目錄:docker目錄，-v表示virtual，虛擬的路徑
一律采用絕對路徑，不要投機取巧使用相對路徑，這樣可以給自己減少許多麻煩，大智若愚正是此意。 - 環境變量
使用docker -e one=two,three=four 這樣的命令，e表示environment
二、快速運行tensorflow-serving
sudo docker pull tensorflow/serving 把serving的鏡像拉下來
git clone https://github.com/tensorflow/serving 復制一份現有的模型，當然也可以使用自己的模型，這個倉庫是tensorflow serving的整個源碼庫，里面給出了一些demo，我們只需要demo那一部分
使用docker命令啟動服務
TESTDATA="$(pwd)/serving/tensorflow_serving/servables/tensorflow/testdata"
docker run -t --rm -p 8501:8501 \
-v "$TESTDATA/saved_model_half_plus_two_cpu:/models/half_plus_two" \
-e MODEL_NAME=half_plus_two \
tensorflow/serving &
docker -e設置環境變量
docker -p設置端口映射
docker -v設置磁盤映射
docker run -t 表示是否允許偽TTY
docker run --rm表示如果實例已經存在，則先remove掉該實例再重新啟動新實例
建立映射時，都是形如“宿主機:docker容器”這種格式。
最后萬事俱備，只欠東風了。
# Query the model using the predict API
curl -d '{"instances": [1.0, 2.0, 5.0]}' \
-X POST http://localhost:8501/v1/models/half_plus_two:predict
# Returns => { "predictions": [2.5, 3.0, 4.5] }
容器啟動之后，使用docker ps查看有哪些實例，使用docker kill 實例ID 殺死實例，使用docker inspect 實例ID查看實例詳情。
建立磁盤映射除了使用-v參數，也可以使用mount參數。
docker run -p 8501:8501 --mount type=bind,\ source=/tmp/tfserving/serving/tensorflow_serving/servables/tensorflow/testdata/saved_model_half_plus_two_cpu,\
target=/models/half_plus_two \
-e MODEL_NAME=half_plus_two -t tensorflow/serving &
三、tensorflow-serving的默認配置
我們需要了解tensorflow/serving這個鏡像的默認配置，鏡像的默認配置就像電路板的引腳一樣，是固定的。
serving鏡像提供了兩種調用方式：gRPC和HTTP請求。gRPC默認端口是8500，HTTP請求的默認端口是8501，serving鏡像中的程序會自動加載鏡像內/models下的模型，通過MODEL_NAME指定/models下的哪個模型。
四、從頭編寫一個完整的例子
Tensorflow官網上、github上的例子都比較舊，需要做些小修改才可使用。例如舊版的導出使用了contrib中的session_bundle，而這個包已經不鼓勵使用了。
舊版的serving模型導出
from tensorflow import gfile
from tensorflow.contrib.session_bundle import exporter
export_path = "/tmp/half_plus_two"
if not gfile.Exists(export_path):
gfile.MkDir(export_path)
with tf.Session() as sess:
# Make model parameters a&b variables instead of constants to
# exercise the variable reloading mechanisms.
a = tf.Variable(0.5)
b = tf.Variable(2.0)
# Calculate, y = a*x + b
# here we use a placeholder 'x' which is fed at inference time.
x = tf.placeholder(tf.float32)
y = tf.add(tf.multiply(a, x), b)
# Run an export.
tf.global_variables_initializer().run()
export = exporter.Exporter(tf.train.Saver())
export.init(named_graph_signatures={
"inputs": exporter.generic_signature({"x": x}),
"outputs": exporter.generic_signature({"y": y}),
"regress": exporter.regression_signature(x, y)
})
export.export(export_path, tf.constant(123), sess)
新版的模型導出：主要使用saved_model包下的工具
import os
import tensorflow as tf
def signature(function_dict):
signature_dict = {}
for k, v in function_dict.items():
inputs = {k: tf.saved_model.utils.build_tensor_info(v) for k, v in v['inputs'].items()}
outputs = {k: tf.saved_model.utils.build_tensor_info(v) for k, v in v['outputs'].items()}
signature_dict[k] = tf.saved_model.build_signature_def(inputs=inputs, outputs=outputs, method_name=v['method_name'])
return signature_dict
output_dir = "/tmp/counter"
for i in range(100000, 9999999):
cur = os.path.join(output_dir, str(i))
if not tf.gfile.Exists(cur):
output_dir = cur
break
method_name = tf.saved_model.signature_constants.PREDICT_METHOD_NAME
print('outputdir', output_dir)
with tf.Graph().as_default(), tf.Session() as sess:
counter = tf.Variable(0.0, dtype=tf.float32, name="counter")
with tf.name_scope("incr_counter_op", values=[counter]):
incr_counter = counter.assign_add(1.0)
delta = tf.placeholder(dtype=tf.float32, name="delta")
with tf.name_scope("incr_counter_by_op", values=[counter, delta]):
incr_counter_by = counter.assign_add(delta)
with tf.name_scope("reset_counter_op", values=[counter]):
reset_counter = counter.assign(0.0)
nothing = tf.placeholder(dtype=tf.int32, shape=(None,))
sess.run(tf.global_variables_initializer())
signature_def_map = signature({
"get_counter": {"inputs": {"nothing": nothing},
"outputs": {"output": counter},
"method_name": method_name},
"incr_counter": {"inputs": {"nothing": nothing},
"outputs": {"output": incr_counter},
"method_name": method_name},
"incr_counter_by": {"inputs": {'delta': delta, },
"outputs": {'output': incr_counter_by},
"method_name": method_name},
"reset_counter": {"inputs": {"nothing": nothing},
"outputs": {"output": reset_counter},
"method_name": method_name}
})
builder = tf.saved_model.builder.SavedModelBuilder(output_dir)
builder.add_meta_graph_and_variables(sess, tags=[tf.saved_model.tag_constants.SERVING], signature_def_map=signature_def_map)
builder.save()
print("over")
以上代碼有一個注意事項：
使用nothing作為inputs中的占位元素，這樣做是因為模型的每個函數的inputs都不能為空，否則觸發錯誤：
"error": "Failed to get input map for signature: get_counter" 。這似乎是tensorflow似乎有bug，調用get_counter方法是不管用的，傳入的inputs為空，就無法調用成功。
運行此servable
$docker run -p 8555:8501 -v /home/ubuntu/counter:/models/counter -e MODEL_NAME=counter tensorflow/serving &
獲取模型狀態
$curl http://localhost:8555/v1/models/saved_model_counter
{
"model_version_status": [
{
"version": "1343",
"state": "AVAILABLE",
"status": {
"error_code": "OK",
"error_message": ""
}
}
]
}
使用metadata獲取可用模型元數據
~$curl http://localhost:8555/v1/models/saved_model_counter/metadata
{
"model_spec":{
......
調用增長函數
~$curl http://localhost:8555/v1/models/counter:predict -X POST -d '{"signature_name":"incr_couter","inputs":[0]}'
{
"outputs": 1.0
}
調用increase_by
第一種方式inputs傳入列表
curl http://localhost:8555/v1/models/counter:predict -X POST -d '{"signature_name":"incr_couter_by","inputs":[3]}'
第二種方式inputs傳入字典
~$curl http://localhost:8555/v1/models/counter:predict -X POST -d '{"signature_name":"incr_counter_by","inputs":{"delta":3.0}}'
tf.saved_model.signature_constants這個包非常簡單，它定義了以下三類變量簽名
- 分類classify
- 回歸regress
- 預測predict
這三類分別具有：
- 函數簽名
CLASSIFY_METHOD_NAME = "tensorflow/serving/classify"
PREDICT_METHOD_NAME = "tensorflow/serving/predict"
REGRESS_METHOD_NAME = "tensorflow/serving/regress"
- Inputs
- Outputs
其中CLASSIFY的output有兩種：score、class。score返回各個類別的期望值，class返回各個類別的離散值。
總體來說，定義這些常量名其實並無卵用，我們只用predict就足夠了。
五、對tensorflow/serving的整體認識
serving是一個非常通用的庫，它不僅能夠用來對tensorflow模型服務，也可以對其它機器學習模型服務。
serving只負責tensorflow模型部分，所以我們需要把用到的函數全部定義出來，這本身就相當於一種RPC。
serving能夠起到解耦的作用，對於大項目來說是一件好事，但是對於小項目來說略嫌啰嗦。