最近看到《用 Serverless 架构部署 TensorFlow 模型推理函数》的活动，对 serverless 非常感兴趣，本着学习的心态初步探索两个 serverless 框架，一个是开源的 OpenFaaS，一个是腾讯云，通过实际使用和对比初步入门 Serverless。

OpenFaaS
按文档说明在 Ubuntu 20.04 上部署这个框架。

然后创建 Python 函数：

def handle(req):
print("Hello! You said: " + req)
修改配置，这里需要写入 docker hub 的帐号。

version: 1.0
provider:
name: openfaas
gateway: http://127.0.0.1:8080
functions:
pycon:
lang: python3
handler: ./pycon
image: >>> dockerhub 用户名<<</pycon
OpenFaaS 提供一个叫 faas-cli 的部署工具，faas-cli 会先将镜像上传到相应的 docker hub 帐号名下，然后再下拉到 OpenFaaS 服务。

开始部署成功后在 Web 界面 127.0.0.1:8080/ui/ 看到刚才创建的函数。

测试：

╰─➤ curl localhost:8080/function/pycon -d "Hi"
Hello! You said: Hi
从上面的例子可以看出：

开发者只需要写好事件处理的函数，修改配置文件，确认部署即可，而不需要了解服务器的基础架构，甚至也不需要了解代码实际部署在哪个 Web 框架。
FaaS 服务返回调用接口。
将图像识别服务部署到腾讯云
除了将 Serverless 业务构建在硬件和容器（比如，OpenFaaS 使用 docker）之外，还有一种新兴的方法: 使用特定于应用程序的虚拟机，比如 WebAssembly（Wasm）。

这个例子通过 Second State 的 Serverless Wasm 虚拟机 (SSVM), 把用 Rust 编写的图像识别业务代码最终编译成 .so 文件，通过 serverless 工具 上传到腾讯云的 FaaS 中。

根据 Second State 的 demo 部署之后，在项目根目录输入 sls deploy, 验证腾讯云帐号，100 秒左右就部署成功，查看腾讯云的控制台，可以看到刚才部署的功能。

测试：

魔改
通过魔改 Second State 的例子学习腾讯云 Serverless 的用法。

先了解 tencent-tensorflow-scf 的结构：

cos, layer, scf 三个目录都有 serveress.yml，执行 sls deploy 的时候，可以看到这三个目录的文件被打包上传。

执行 ssvmup build --enable-ext --enable-aot 生成 pkg/scf.so, 需要将它拷贝至 scf/ 目录。

scf/bootstrap 是一个脚本，运行后是一个服务进程。

核心命令如下，其中 "$_HANDLER" 是 scf.so

RESPONSE=$(LD_LIBRARY_PATH=/opt /opt/ssvm-tensorflow "$_HANDLER" <<< "$EVENT_DATA")
这就说明，我们可以在本地运行 "$_HANDLER"。我们可以先在本地调试业务功能。

首先需要编译 ssvm-tensorflow , 也可以直接下载二进制运行。

编译完之后，将 这个 demo 的代码迁移到 tencent-tensorflow-scf/src/main.rs, 实现魔改：

use std::io::{self, Read};
use ssvm_tensorflow_interface;
use serde::Deserialize;

fn search_vec(vector: &Vec, labels: &Vec<&str>, value: &f32) -> (i32, String) {
for (i, f) in vector.iter().enumerate() {
if f == value {
return (i as i32, labels[i].to_owned());
}
}
return (-1, "Unclassified".to_owned());
}

fn main() {
let model_data: &[u8] = include_bytes!("mobilenet_v2_1.4_224_frozen.pb");
let labels = include_str!("imagenet_slim_labels.txt");
let label_lines : Vec<&str> = labels.lines().collect();

let mut buffer = String::new();
io::stdin().read_to_string(&mut buffer).expect("Error reading from STDIN");
let obj: FaasInput = serde_json::from_str(&buffer).unwrap();
let img_buf = base64::decode_config(&(obj.body), base64::STANDARD).unwrap();

let flat_img = ssvm_tensorflow_interface::load_jpg_image_to_rgb32f(&img_buf, 224, 224);

let mut session = ssvm_tensorflow_interface::Session::new(model_data, ssvm_tensorflow_interface::ModelType::TensorFlow);
session.add_input("input", &flat_img, &[1, 224, 224, 3])
       .add_output("MobilenetV2/Predictions/Softmax")
       .run();
let res_vec: Vec<f32> = session.get_output("MobilenetV2/Predictions/Softmax");
let mut sorted_vec = res_vec.clone(); 
sorted_vec.sort_by(|a, b| b.partial_cmp(a).unwrap());

let top1 = sorted_vec[0];
let top2 = sorted_vec[1];
let top3 = sorted_vec[2];

let r1 = search_vec(&res_vec, &label_lines, &top1);
let r2 = search_vec(&res_vec, &label_lines, &top2);
let r3 = search_vec(&res_vec, &label_lines, &top3);

println!("{}: {:.2}%\n{}: {:.2}%\n{}: {:.2}%"
    , r1.1, top1 * 100.0
    , r2.1, top2 * 100.0   
    , r3.1, top3 * 100.0   
    );

}

[derive(Deserialize, Debug)]

struct FaasInput {
body: String
}
测试：

输出排名前三的可能结果。

tomato.json 用于模拟请求数据，将图片数据 base64 之后放在 "body" 后面。

最后重新 sls deploy 部署上线：

总结
本文通过 OpenFaaS 和腾讯云 Serverless 两种服务，初步了解了将业务部署到云平台的过程。通过 FaaS 服务商提供的工具，用户可以避免直接操作 docker, 或设置脚本运行环境变量等不重要的细节，从而将注意力集中在业务开发上。