Aidez à améliorer cette page
Vous souhaitez contribuer à ce guide de l'utilisateur ? Faites défiler cette page vers le bas et sélectionnez Modifier cette page sur GitHub. Vos contributions aideront à améliorer notre guide de l'utilisateur pour tout le monde.
Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Déployez ML des charges de travail d'inférence sur Amazon AWSInferentia EKS
Cette rubrique décrit comment créer un EKS cluster Amazon avec des nœuds exécutant des instances Amazon EC2 Inf1
Note
La logique du dispositif neuronal IDs doit être contiguë. Si une Pod demande de plusieurs appareils Neuron est planifiée sur un type d'inf1.24xlarge
instance inf1.6xlarge
ou (qui comporte plusieurs appareils Neuron), cela ne Pod démarrera pas si le Kubernetes planificateur sélectionne un appareil non contigu. IDs Pour plus d'informations, consultez la section Le périphérique logique IDs doit être contigu
Prérequis
-
Installez
eksctl
sur votre ordinateur. Si vous ne l'avez pas installé, consultez Installationdans la documentation eksctl
. -
Installez
kubectl
sur votre ordinateur. Pour de plus amples informations, veuillez consulter Configuration kubectl et eksctl. -
(Facultatif) Installez
python3
sur votre ordinateur. S'il n'est pas installé, consultez les téléchargements Pythonpour obtenir des instructions d'installation.
Créer un cluster
Pour créer un cluster avec des nœuds d'EC2instance Amazon Inf1
-
Créez un cluster avec des nœuds d'EC2instance Amazon Inf1. Vous pouvez remplacer
par n'importe quel type d'instance Inf1inf1.2xlarge
. L' eksctl
utilitaire détecte que vous lancez un groupe de nœuds avec un type d'Inf1
instance et démarrera vos nœuds en utilisant l'un des systèmes accélérés EKS optimisés d'Amazon Linux pour AmazonAMIs.Note
Vous ne pouvez pas utiliser de IAMrôles pour les comptes de service avec TensorFlow Serving.
eksctl create cluster \ --name
inferentia
\ --regionregion-code
\ --nodegroup-nameng-inf1
\ --node-typeinf1.2xlarge
\ --nodes2
\ --nodes-min1
\ --nodes-max4
\ --ssh-access \ --ssh-public-keyyour-key
\ --with-oidcNote
Notez la valeur de la ligne suivante de la sortie. Elle est utilisée lors d'une étape ultérieure (facultative).
[9] adding identity "arn:aws:iam::
111122223333
:role/eksctl-inferentia
-nodegroup-ng-in
-NodeInstanceRole-FI7HIYS3BS09
" to auth ConfigMapLorsque vous lancez un groupe de nœuds avec des
Inf1
instances, le plug-in du Kubernetes périphérique AWS Neuron esteksctl
automatiquement installé. Ce plugin annonce les appareils Neuron comme une ressource système au planificateur Kubernetes, qui peut être demandée par un conteneur. Outre les IAM politiques de EKS nœud Amazon par défaut, la politique d'accès en lecture seule d'Amazon S3 est ajoutée afin que l'exemple d'application, abordé dans une étape ultérieure, puisse charger un modèle entraîné depuis Amazon S3. -
Assurez-vous que tous les Pods ont démarré correctement.
kubectl get pods -n kube-system
Sortie abrégée :
NAME READY STATUS RESTARTS AGE [...] neuron-device-plugin-daemonset-
6djhp
1/1 Running 0 5m neuron-device-plugin-daemonset-hwjsj
1/1 Running 0 5m
(Facultatif) Déployez une image d'application TensorFlow Serving
Un modèle formé doit être compilé sur une cible Inferentia avant de pouvoir être déployé sur des instances Inferentia. Pour continuer, vous aurez besoin d'un TensorFlow modèle optimisé pour Neuron
L'exemple de manifeste de déploiement gère un conteneur de service d'inférence prédéfini TensorFlow fourni par AWS Deep Learning Containers. À l'intérieur du conteneur se trouvent le AWS
Neuron Runtime et l'application TensorFlow Serving. Une liste complète des conteneurs Deep Learning préconstruits optimisés pour Neuron est conservée sur GitHub sous Images disponibles
Le nombre d'appareils Neuron alloués à votre application de service peut être ajusté en changeant la ressource aws.amazon.com/neuron
dans le yaml de déploiement. Veuillez noter que la communication entre TensorFlow Serving et le runtime Neuron est interrompueGRPC, ce qui nécessite de transmettre la IPC_LOCK
capacité au conteneur.
-
Ajoutez la
AmazonS3ReadOnlyAccess
IAM politique au rôle d'instance de nœud créé à l'étape 1 deCréer un cluster . Ceci est nécessaire pour que l'application exemple puisse charger un modèle formé à partir de Amazon S3.aws iam attach-role-policy \ --policy-arn arn:aws:iam::aws:policy/AmazonS3ReadOnlyAccess \ --role-name eksctl-
inferentia
-nodegroup-ng-in
-NodeInstanceRole-FI7HIYS3BS09
-
Créez un fichier nommé
rn50_deployment.yaml
avec les contenus suivants. Mettez à jour le code régional et le chemin du modèle pour correspondre aux paramètres souhaités. Le nom du modèle est utilisé à des fins d'identification lorsqu'un client fait une demande au TensorFlow serveur. Cet exemple utilise un nom de modèle correspondant à un exemple de ResNet 50 scripts client qui sera utilisé ultérieurement pour envoyer des demandes de prédiction.aws ecr list-images --repository-name neuron-rtd --registry-id 790709498068 --region
us-west-2
kind: Deployment apiVersion: apps/v1 metadata: name: eks-neuron-test labels: app: eks-neuron-test role: master spec: replicas: 2 selector: matchLabels: app: eks-neuron-test role: master template: metadata: labels: app: eks-neuron-test role: master spec: containers: - name: eks-neuron-test image: 763104351884.dkr.ecr.us-east-1.amazonaws.com/tensorflow-inference-neuron:1.15.4-neuron-py37-ubuntu18.04 command: - /usr/local/bin/entrypoint.sh args: - --port=8500 - --rest_api_port=9000 - --model_name=resnet50_neuron - --model_base_path=s3://
your-bucket-of-models
/resnet50_neuron/ ports: - containerPort: 8500 - containerPort: 9000 imagePullPolicy: IfNotPresent env: - name: AWS_REGION value: "us-east-1" - name: S3_USE_HTTPS value: "1" - name: S3_VERIFY_SSL value: "0" - name: S3_ENDPOINT value: s3.us-east-1.amazonaws.com - name: AWS_LOG_LEVEL value: "3" resources: limits: cpu: 4 memory: 4Gi aws.amazon.com/neuron: 1 requests: cpu: "1" memory: 1Gi securityContext: capabilities: add: - IPC_LOCK -
Déployez le modèle.
kubectl apply -f rn50_deployment.yaml
-
Créez un fichier nommé
rn50_service.yaml
avec les contenus suivants. Les RPC ports HTTP et g sont ouverts pour accepter les demandes de prédiction.kind: Service apiVersion: v1 metadata: name:
eks-neuron-test
labels: app:eks-neuron-test
spec: type: ClusterIP ports: - name: http-tf-serving port: 8500 targetPort: 8500 - name: grpc-tf-serving port: 9000 targetPort: 9000 selector: app:eks-neuron-test
role: master -
Créez un Kubernetes service pour votre application de service TensorFlow modèle.
kubectl apply -f rn50_service.yaml
(Facultatif) Faites des prédictions par rapport à votre TensorFlow service de service
-
Pour effectuer un test local, transférez le RPC port g vers le
eks-neuron-test
service.kubectl port-forward service/eks-neuron-test 8500:8500 &
-
Créez un script Python appelé
tensorflow-model-server-infer.py
avec le contenu suivant. Ce script exécute l'inférence via gRPC, qui est un framework de service.import numpy as np import grpc import tensorflow as tf from tensorflow.keras.preprocessing import image from tensorflow.keras.applications.resnet50 import preprocess_input from tensorflow_serving.apis import predict_pb2 from tensorflow_serving.apis import prediction_service_pb2_grpc from tensorflow.keras.applications.resnet50 import decode_predictions if __name__ == '__main__': channel = grpc.insecure_channel('localhost:8500') stub = prediction_service_pb2_grpc.PredictionServiceStub(channel) img_file = tf.keras.utils.get_file( "./kitten_small.jpg", "https://raw.githubusercontent.com/awslabs/mxnet-model-server/master/docs/images/kitten_small.jpg") img = image.load_img(img_file, target_size=(224, 224)) img_array = preprocess_input(image.img_to_array(img)[None, ...]) request = predict_pb2.PredictRequest() request.model_spec.name = 'resnet50_inf1' request.inputs['input'].CopyFrom( tf.make_tensor_proto(img_array, shape=img_array.shape)) result = stub.Predict(request) prediction = tf.make_ndarray(result.outputs['output']) print(decode_predictions(prediction))
-
Exécutez le script pour soumettre des prédictions à votre service.
python3 tensorflow-model-server-infer.py
L'exemple qui suit illustre un résultat.
[[(u'n02123045', u'tabby', 0.68817204), (u'n02127052', u'lynx', 0.12701613), (u'n02123159', u'tiger_cat', 0.08736559), (u'n02124075', u'Egyptian_cat', 0.063844085), (u'n02128757', u'snow_leopard', 0.009240591)]]