Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Inferenza del machine learning utilizzando AWS Inferentia
In questo argomento viene descritto come creare un cluster Amazon EKS con nodi che eseguono istanze Amazon EC2 Inf1
Nota
Gli ID logici dei dispositivi neuronali devono essere contigui. Se un Pod che richiede più dispositivi Neuron è pianificato su un tipo di istanza inf1.6xlarge
o inf1.24xlarge
(che ha più di un dispositivo Neuron), il Pod non si avvia se lo scheduler Kubernetes seleziona ID dispositivo non contigui. Per ulteriori informazioni, consulta Gli ID logici del dispositivo devono essere contigui
Prerequisiti
-
Avere
eksctl
installato sul computer. Se non è installato, consulta Installationnella documentazione di eksctl
. -
Avere
kubectl
installato sul computer. Per ulteriori informazioni, consulta Installazione o aggiornamento di kubectl. -
(Facoltativo) Avere
python3
installato sul computer. Se non lo hai installato, consultare i download di Pythonper le istruzioni di installazione.
Creazione di un cluster
Per creare un cluster Amazon EKS con nodi di istanze Amazon EC2 Inf1
-
Creare un cluster con nodi di istanze Amazon EC2 Inf1. Puoi sostituire
con qualsiasi tipo di istanza Inf1inf1.2xlarge
. L'utility eksctl
rileva l'avvio di un gruppo di nodi con un tipo di istanzaInf1
e avvia i nodi usando una delle AMI Amazon Linux accelerate ottimizzate per Amazon EKS.Nota
Non è possibile utilizzare i ruoli IAM per gli account di servizio con Serving. TensorFlow
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-oidcNota
Notare il valore della seguente riga dell'output. Viene utilizzato in un passaggio successivo (facoltativo).
[9] adding identity "arn:aws:iam::
111122223333
:role/eksctl-inferentia
-nodegroup-ng-in
-NodeInstanceRole-FI7HIYS3BS09
" to auth ConfigMapQuando si avvia un gruppo di nodi con
Inf1
istanze, installaeksctl
automaticamente il plug-in del dispositivo AWS Kubernetes Neuron. Questo plug-in pubblicizza i dispositivi Neuron come risorsa di sistema allo scheduler Kubernetes, che può essere richiesto da un container. Oltre alle policy IAM dei nodi Amazon EKS di default, viene aggiunta la policy di accesso di sola lettura Amazon S3 in modo che l'applicazione di esempio, che verrà trattata in un passaggio successivo, possa caricare un modello addestrato da Amazon S3. -
Assicurati che tutti i Pods siano stati avviati correttamente.
kubectl get pods -n kube-system
Output abbreviato:
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
(Facoltativo) Implementate un'immagine dell'applicazione Serving TensorFlow
Un modello addestrato deve essere compilato in un target Inferentia prima di poter essere implementato nelle istanze Inferentia. Per continuare, avrai bisogno di un TensorFlow modello ottimizzato per Neuron
Il manifesto di distribuzione di esempio gestisce un contenitore di servizi di inferenza precostruito TensorFlow fornito da AWS Deep Learning Containers. All'interno del contenitore si trovano AWS
Neuron Runtime e l' TensorFlow applicazione Serving. Un elenco completo di container deep learning pre-costruiti ottimizzati per Neuron è consultabile su GitHub in Immagini disponibili
Il numero di dispositivi Neuron assegnati all'applicazione di servizio può essere regolato modificando la risorsa aws.amazon.com/neuron
nella implementazione yaml. Tieni presente che la comunicazione tra TensorFlow Serving e il runtime Neuron avviene tramite GRPC, il che richiede il trasferimento della funzionalità al contenitore. IPC_LOCK
-
Aggiungere la policy
AmazonS3ReadOnlyAccess
IAM al ruolo di istanza del nodo creato nel passaggio 1 di Creazione di un cluster. Ciò è necessario affinché l'applicazione di esempio possa caricare un modello formato da Amazon S3.aws iam attach-role-policy \ --policy-arn arn:aws:iam::aws:policy/AmazonS3ReadOnlyAccess \ --role-name eksctl-
inferentia
-nodegroup-ng-in
-NodeInstanceRole-FI7HIYS3BS09
-
Crea un file denominato
rn50_deployment.yaml
con i seguenti contenuti. Aggiornare il codice di Regione e il percorso del modello in modo che corrispondano alle impostazioni desiderate. Il nome del modello serve a scopo di identificazione quando un client effettua una richiesta al TensorFlow server. Questo esempio utilizza un nome di modello che corrisponde a uno script client di esempio di ResNet 50 client che verrà utilizzato in un passaggio successivo per l'invio di richieste di previsione.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 -
Implementare il modello.
kubectl apply -f rn50_deployment.yaml
-
Crea un file denominato
rn50_service.yaml
con i seguenti contenuti. Le porte HTTP e gRPC vengono aperte per accettare le richieste di previsione.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 -
Crea un Kubernetes servizio per la tua applicazione TensorFlow Model Serving.
kubectl apply -f rn50_service.yaml
(Facoltativo) Fai previsioni sul tuo TensorFlow servizio Serving
-
Per testare localmente, inoltrare la porta gRPC al servizio
eks-neuron-test
.kubectl port-forward service/eks-neuron-test 8500:8500 &
-
Creare uno script Python chiamato
tensorflow-model-server-infer.py
con il seguente contenuto. Questo script esegue inferenza tramite gRPC, che è framework di servizio.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))
-
Eseguire lo script per inviare previsioni al servizio.
python3 tensorflow-model-server-infer.py
Di seguito viene riportato un output di esempio:
[[(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)]]