怎样自动部署开源AI模型到生产环境Sklearn、XGBoost、LightGBM、和PySpark

这篇文章给大家介绍怎样自动部署开源AI模型到生产环境Sklearn、XGBoost、LightGBM、和PySpark,内容非常详细,感兴趣的小伙伴们可以参考借鉴,希望对大家能有所帮助。AI的广泛应用是由AI在开源技术的进步推动的,利用功能强大的开源模型库,数据科学家们可以很容易的训练一个性能不错的模型。但是因为模型生产环境和开发环境的不同,涉及到不同角色人员:模型训练是数据科学家和数据分析师的工作,但是模型部署是开发和运维工程师的事情,导致模型上线部署却不是那么容易。DaaS(Deployment- 香港云主机as-a-Service)是AutoDeployAI公司推出的基于Kubernetes的AI模型自动部署系统,提供一键式自动部署开源AI模型生成REST API,以方便在生产环境中调用。下面,我们主要演示在DaaS中如何部署经典机器学习模型,包括Scikit-learn、XGBoost、LightGBM、和PySpark ML Pipelines。关于深度学习模型的部署,会在下一章中介绍。我们使用DaaS提供的Python客户端(DaaS-Client)来部署模型,对于XGBoost和LightGBM,我们同样使用它们的Python API来作模型训练。在训练和部署模型之前,我们需要完成以下操作。安装Python DaaS-Client。
初始化DaasClient。使用DaaS系统的URL、账户、密码登陆系统,文本使用的DaaS演示系统安装在本地的Minikube上。完整Jupyter Notebook,请参考:deploy-sklearn-xgboost-lightgbm-pyspark.ipynb
创建项目。DaaS使用项目管理用户不同的分析任务,一个项目中可以包含用户的各种分析资产:模型、部署、程序脚本、数据、数据源等。项目创建成功后,设置为当前活动项目,发布的模型和创建的部署都会存储在该项目下。create_project函数接受三个参数:
项目名称:可以是任意有效的Linux文件目录名。项目路由:使用在部署的REST URL中来唯一表示当前项目,只能是小写英文字符(a-z),数字(0-9)和中横线-,并且-不能在开头和结尾处。项目说明(可选):可以是任意字符。初始化数据。我们使用流行的分类数据集iris来训练不同的模型,并且把数据分割为训练数据集和测试数据集以方便后续使用。
模型部署流程。主要包含以下几步:训练模型。使用模型库提供的API,在iris数据集上训练模型。发布模型。调用publish函数发布模型到DaaS系统。测试模型(可选)。调用test函数获取测试API信息,可以使用任意的REST客户端程序测试模型在DaaS中是否工作正常,使用的是DaaS系统模型测试API。第一次执行test会比较慢,因为DaaS系统需要启动测试运行时环境。部署模型。发布成功后,调用deploy函数部署部署模型。可以使用任意的REST客户端程序测试模型部署,使用的是DaaS系统正式部署API。训练一个Scikit-learn分类模型:SVC。
发布Scikit-learn模型。
test函数必须要指定前两个参数,第一个model是训练的模型对象,第二个是模型名称,其余是可选参数:publish_resp是一个字典类型的结果,记录了模型名称,和发布的模型版本。该模型是iris模型的第一个版本。
mining_function:指定挖掘功能,可以指定为regression(回归)、classification(分类)、和clustering(聚类)。X_test和y_test:指定测试训练集,发布时计算模型评估指标,比如针对分类模型,计算正确率(Accuracy),对于回归模型,计算可释方差(explained Variance)。data_test: 同样是指定测试训练集,但是该参数用在Spark模型上,非Spark模型通过X_testy_test指定。description:模型描述。params:记录模型参数设置。测试Scikit-learn模型。
test_resp是一个字典类型的结果,记录了测试REST API信息。如下,其中access_token是访问令牌,一个长字符串,这里没有显示出来。endpoint_url指定测试REST API地址,payload提供了测试当前模型需要输入的请求正文格式。
使用requests调用测试API,这里我们直接使用test_resp返回的测试payload,您也可以使用自定义的数据X,但是参数model_namemodel_version必须使用上面输出的值。
返回结果,不同于正式部署API,除了预测结果,测试API会同时返回标准控制台输出和标准错误输出内容,以方便用户碰到错误时,查看相关信息。
部署模型。
deploy函数必须要指定模型名称,和部署名称。模型版本默认为当前最新版本(latest),副本数默认是1。为了确保部署服务的稳定性,还可以输入部署运行时环境分配指定CPU核数和使用内存量,默认为None,让系统自动分配。deploy_resp是一个字典类型的结果,记录了正式部署REST API信息。如下,可以看到和测试结果类似,在payload中,我们不需要在输入模型名称和版本,因为正式部署服务在创建是已经记录了这些信息,并且是一个独占式服务。
使用requests调用测试API,这里我们直接使用test_resp返回的测试payload,您也可以使用自定义的数据。
返回结果:
XGBoost提供了两套Python API,一套是原生Python API,另一套是基于Scikit-learn包装API。您可以使用任何一种,下面的例子中我们使用基于Scikit-learn的Python API。训练一个分类XGBoost模型:
发布XGBoost模型。
因为仍然使用了iris这个模型名称,所以该模型是iris的第二个版本。
测试XGBoost模型。和Scikit-learn流程相同。部署模型。和Scikit-learn流程相同,这里我们暂时先不创建独立部署,后面我们会介绍如何在DaaS系统中管理部署,如何切换部署模型版本。同XGBoost类似,LightGBM同样提供了两套Python API,一套是原生Python API,另一套是基于Scikit-learn包装API。您可以使用任何一种,下面的例子中我们使用基于Scikit-learn的Python API。训练一个分类LightGBM模型:
发布LightGBM模型。
LightGBM模型是iris的第三个版本。
测试LightGBM模型。和Scikit-learn流程相同。部署模型。和Scikit-learn流程相同,这里我们暂时先不创建独立部署。训练一个PySpark分类模型:RandomForestClassifier。PySpark模型必须是一个PipelineModel,也就是说必须使用Pipeline来建立模型,哪怕只有一个Pipeline节点。
发布PySpark模型。
PySpark模型是iris的第四个版本。
测试PySpark模型。和Scikit-learn流程相同。部署模型。和Scikit-learn流程相同,这里我们暂时先不创建独立部署。打开浏览器,登陆DaaS管理系统。进入项目部署测试,切换到模型标签页,有一个iris模型,最新版本是v4,类型是Spark即我们最后发布的模型。
点击模型,进入模型主页(概述)。当前v4是一个Spark Pipeline模型,正确率是94.23%,并且显示了iris不同版本正确率历史图。下面罗列了模型的输入和输出变量,以及评估结果,当前为空,因为还没有在DaaS中执行任何的模型评估任务。
点击v4,可以自由切换到其他版本。比如,切换到v1v1版本是一个Scikit-learn SVM分类模型,正确率是98.00%。其他信息与v4类似。
切换到模型部署标签页,有一个我们刚才创建的部署iris-svc,鼠标移动到操作菜单,选择修改设置。可以看到,当前部署服务关联的是模型v1,就是我们刚才通过deploy函数部署的iris第一个版本Scikit-learn模型。选择最新的v4,点击命令保存并且重新部署,该部署就会切换到v4版本。关于怎样自动部署开源AI模型到生产环境Sklearn、XGBoost、LightGBM、和PySpark就分享到这里了,希望以上内容可以对大家有一定的帮助,可以学到更多知识。如果觉得文章不错,可以把它分享出去让更多的人看到。

相关推荐: Yii2在模板中如何导入公共模板

这篇文章主要介绍了Yii2在模板中如何导入 香港云主机公共模板,具有一定借鉴价值,感兴趣的朋友可以参考下,希望大家阅读完这篇文章之后大有收获,下面让小编带着大家一起了解一下。在index.php其中@app/view 表示 当前视图的目录left.php感谢你…

免责声明:本站发布的图片视频文字,以转载和分享为主,文章观点不代表本站立场,本站不承担相关法律责任;如果涉及侵权请联系邮箱:360163164@qq.com举报,并提供相关证据,经查实将立刻删除涉嫌侵权内容。

(0)
打赏 微信扫一扫 微信扫一扫
上一篇 09/22 21:08
下一篇 09/22 21:08

相关推荐

发表评论

您的电子邮箱地址不会被公开。