阿里云机器学习平台DSW2:keras 模型训练与EAS部署

Step By Step

一、模型训练与保存

1.1 DSW控制台创建DSW2实例

阿里云机器学习平台DSW2:keras 模型训练与EAS部署

1.2 Terminal更新TensorFlow(2.3.1当期最新版本)

pip install tensorflow

阿里云机器学习平台DSW2:keras 模型训练与EAS部署

1.3、python code

# 安装 TensorFlow
import tensorflow as tf

print(tf.__version__)

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test,  y_test, verbose=2)

# 将整个模型另存为 SavedModel。
model.save('saved_model_2/my_model') 

阿里云机器学习平台DSW2:keras 模型训练与EAS部署

4、模型格式
阿里云机器学习平台DSW2:keras 模型训练与EAS部署

二、eascmd部署模型

2.1 压缩模型到zip包

zip -r model ./

阿里云机器学习平台DSW2:keras 模型训练与EAS部署

2.2 eascmd 用户认证

eascmd64 config -i -k -e pai-eas.cn-hangzhou.aliyuncs.com

阿里云机器学习平台DSW2:keras 模型训练与EAS部署

2.3 上传文件

eascmd upload [filename] --inner

阿里云机器学习平台DSW2:keras 模型训练与EAS部署

2.4 创建模型部署json文件

{

"name": "taro_eas_keras_demo",
"generate_token": "true",
"model_path": "oss://eas-model-hangzhou/18482178/model.zip",
"processor": "tensorflow_cpu_1.14",
"metadata": {

"instance": 1,
"cpu": 1

}
}

更多参考:EASCMD客户端使用说明

2.5 部署模型

eascmd create [service_desc_json]

阿里云机器学习平台DSW2:keras 模型训练与EAS部署

2.6 eas 控制台查看成功部署的模型
阿里云机器学习平台DSW2:keras 模型训练与EAS部署

三、sdk 调用模型

3.1 获取模型信息。

通过GET请求可以获取模型的相关信息,包括signature_name、name、type及shape,示例如下: curl <访问地址> -H 'Authorization:' | python -mjson.tool

阿里云机器学习平台DSW2:keras 模型训练与EAS部署

3.2 Python SDK调用 Code Sample

#!/usr/bin/env python
from eas_prediction import PredictClient, TFRequest
import cv2
import numpy as np

with open('2.jpg', 'rb') as infile:
    buf = infile.read()
    # 使用numpy将字节流转换成array
    x = np.fromstring(buf, dtype='uint8')
    # 将读取到的array进行图片解码获得28 × 28的矩阵
    img = cv2.imdecode(x, cv2.IMREAD_UNCHANGED)
    # 由于预测服务API需要长度为784的一维向量将矩阵reshape成784
    img = np.reshape(img, 784)

if __name__ == '__main__':

    # http://1848217*********.cn-shanghai.pai-eas.aliyuncs.com/api/predict/kears_model
    client = PredictClient('1848217*********.cn-shanghai.pai-eas.aliyuncs.com', 'kears_model')
    #  注意上面的client = PredictClient()内填入的信息,是通过对调用信息窗口(下图)中获取的访问地址的拆分
    client.set_token('*********')
    #  Token信息在“EAS控制台—服务列表—服务—调用信息—公网地址调用—Token”中获取
    client.init()

    req = TFRequest('serving_default') # signature_name 参数:serving_default
    req.add_feed('flatten_input', [1, 28, 28], TFRequest.DT_FLOAT, img)

    resp = client.predict(req)
    print(resp)

3.3 测试结果

outputs {
  key: "dense_1"
  value {
    dtype: DT_FLOAT
    array_shape {
      dim: 1
      dim: 10
    }
    float_val: 0.0
    float_val: 0.0
    float_val: 1.0
    float_val: 0.0
    float_val: 0.0
    float_val: 0.0
    float_val: 0.0
    float_val: 0.0
    float_val: 0.0
    float_val: 0.0
  }
}

参考链接:阿里云机器学习PAI EAS部署TensorFlow Model

参考链接

阿里云机器学习PAI EAS部署TensorFlow Model
TensorFlow服务请求构造
EASCMD客户端使用说明

上一篇:运维=平台+数据


下一篇:DPM配置管理之安装Windows Server Backup功能(DPM配置管理系列五)