ormb機(jī)器學(xué)習(xí)模型管理組件

ormb（OCI-Based Registry for ML/DL Model Bundle）是基于鏡像倉(cāng)庫(kù)的機(jī)器學(xué)習(xí)模型分發(fā)組件，旨在幫助企業(yè)像管理容器鏡像一樣管理機(jī)器學(xué)習(xí)模型。它不僅提供版本化的模型管理能力，還可利用符合 OCI 標(biāo)準(zhǔn)的容器鏡像倉(cāng)庫(kù)存儲(chǔ)和分發(fā)機(jī)器學(xué)習(xí)模型。通過 Harbor 2.0，它可以實(shí)現(xiàn)在多個(gè)鏡像倉(cāng)庫(kù)間的同步，滿足更多企業(yè)級(jí)需求。

基于這個(gè)項(xiàng)目，才云之后會(huì)繼續(xù)開源基于 Harbor 實(shí)現(xiàn)的模型倉(cāng)庫(kù)，提供更多能力。其中包括但不限于模型的格式轉(zhuǎn)換、模型自動(dòng)壓縮等高級(jí)特性。

端到端的示例

我們以圖像識(shí)別作為示例，介紹一下如何利用 ormb 進(jìn)行機(jī)器學(xué)習(xí)模型的分發(fā)。

在這一示例中，我們會(huì)在本地利用 Fashion MNIST 訓(xùn)練一個(gè)簡(jiǎn)單的 CNN 圖像識(shí)別模型，并利用 ormb 將其推送到遠(yuǎn)端鏡像倉(cāng)庫(kù)中。隨后，在服務(wù)器上，我們同樣利用 ormb 將模型拉取下來，利用第三方的模型服務(wù)器對(duì)外提供服務(wù)。最后，我們?cè)倮?RESTful 的接口調(diào)用這一服務(wù)，查看結(jié)果。

下方是模型訓(xùn)練的代碼，我們將訓(xùn)練好的模型保存為 SavedModel 格式，并將模型提供在 ormb 示例中：

# 建立模型，設(shè)定 Optimizer，進(jìn)行訓(xùn)練
model = keras.Sequential([
  keras.layers.Conv2D(input_shape=(28,28,1), 
                      filters=8, 
                      kernel_size=3, 
                      strides=2, 
                      activation='relu', 
                      name='Conv1'),
  keras.layers.Flatten(),
  keras.layers.Dense(10, 
                     activation=tf.nn.softmax, 
                     name='Softmax')
])
model.compile(optimizer='adam', 
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=epochs)

test_loss, test_acc = model.evaluate(test_images, 
                                     test_labels)
import tempfile

# 保存模型到當(dāng)前目錄的 model 子目錄下
MODEL_DIR = "./model"
version = 1
export_path = os.path.join(MODEL_DIR, str(version))
tf.keras.models.save_model(
    model,
    export_path,
    overwrite=True,
    include_optimizer=True,
    save_format=None,
    signatures=None,
    options=None
)

接下來，我們將在本地訓(xùn)練好的模型推送到遠(yuǎn)端鏡像倉(cāng)庫(kù)中：

# 將模型保存在本地文件系統(tǒng)的緩存中
$ ormb save ./model gaocegege/fashion_model:v1
ref:       gaocegege/fashion_model:v1
digest:    6b08cd25d01f71a09c1eb852b3a696ee2806abc749628de28a71b507f9eab996
size:      162.1 KiB
format:    SavedModel
v1: saved
# 將保存在緩存中的模型推送到遠(yuǎn)端倉(cāng)庫(kù)中
$ ormb push gaocegege/fashion_model:v1
The push refers to repository [gaocegege/fashion_model]
ref:       gaocegege/fashion_model:v1
digest:    6b08cd25d01f71a09c1eb852b3a696ee2806abc749628de28a71b507f9eab996
size:      162.1 KiB
format:    SavedModel
v1: pushed to remote (1 layer, 162.1 KiB total)

以 Harbor 為例，在 Harbor 鏡像倉(cāng)庫(kù)中，我們可以看到這一模型的元數(shù)據(jù)等信息：

隨后，我們可以在服務(wù)器上將模型下載下來，模型下載過程與推送到鏡像倉(cāng)庫(kù)的方法類似：

# 從遠(yuǎn)端倉(cāng)庫(kù)拉取到服務(wù)器的本地緩存
$ ormb pull gaocegege/fashion_model:v1
v1: Pulling from gaocegege/fashion_model
ref:     gaocegege/fashion_model:v1
digest:  6b08cd25d01f71a09c1eb852b3a696ee2806abc749628de28a71b507f9eab996
size:    162.1 KiB
Status: Downloaded newer model for gaocegege/fashion_model:v1
# 將本地緩存的模型導(dǎo)出到當(dāng)前目錄
$ ormb export gaocegege/fashion_model:v1
ref:     localhost/gaocegege/fashion_model:v1
digest:  6b08cd25d01f71a09c1eb852b3a696ee2806abc749628de28a71b507f9eab996
size:    162.1 KiB
$ tree ./model
model
└── 1
    ├── saved_model.pb
    └── variables
        ├── variables.data-00000-of-00001
        └── variables.index

2 directories, 3 files

接下來，我們就可以利用 TFServing 將模型部署為 RESTful 服務(wù)，并利用 Fashion MNIST 數(shù)據(jù)集的數(shù)據(jù)進(jìn)行推理：

$ tensorflow_model_server --model_base_path=$(pwd)/model --model_name=fashion_model --rest_api_port=8501
2020-05-27 17:01:57.499303: I tensorflow_serving/model_servers/server.cc:358] Running gRPC ModelServer at 0.0.0.0:8500 ...
[evhttp_server.cc : 238] NET_LOG: Entering the event loop ...
2020-05-27 17:01:57.501354: I tensorflow_serving/model_servers/server.cc:378] Exporting HTTP/REST API at:localhost:8501 ...

或者，我們也可以使用 Seldon Core 將模型服務(wù)直接部署在 Kubernetes 集群上，具體可以參見我們提供的文檔：

apiVersion: machinelearning.seldon.io/v1alpha2
kind: SeldonDeployment
metadata:
  name: tfserving
spec:
  name: mnist
  protocol: tensorflow
  predictors:
  - graph:
      children: []
      implementation: TENSORFLOW_SERVER
      modelUri: demo.goharbor.io/tensorflow/fashion_model:v1
      serviceAccountName: ormb
      name: mnist-model
      parameters:
        - name: signature_name
          type: STRING
          value: predict_images
        - name: model_name
          type: STRING
          value: mnist-model
    name: default
    replicas: 1

算法工程師迭代新版本的模型時(shí)，可以打包新的版本，利用 ormb 拉取新的鏡像后重新部署。ormb 可以配合任何符合 OCI Distribution Specification 的鏡像倉(cāng)庫(kù)使用，這意味著 ormb 支持公有云上的鏡像倉(cāng)庫(kù)和 Harbor 等開源鏡像倉(cāng)庫(kù)項(xiàng)目。

我們也可以利用 Harbor 提供的 Webhook 功能，實(shí)現(xiàn)模型服務(wù)的持續(xù)部署。通過在 Harbor UI 中注冊(cè)一個(gè) Webhook，所有對(duì) Harbor 的推送模型請(qǐng)求事件都會(huì)被轉(zhuǎn)發(fā)到我們定義的 HTTP Endpoint 上。而我們可以在 Webhook 中實(shí)現(xiàn)對(duì)應(yīng)的部署邏輯，比如根據(jù)新的模型來更新 Seldon 部署模型服務(wù)的版本，實(shí)現(xiàn)模型服務(wù)的持續(xù)部署等。