摘要：大會(huì)以機(jī)器學(xué)習(xí)資料中心和云端安全為主要議題，為未來發(fā)展做戰(zhàn)略規(guī)劃。在年，谷歌開發(fā)了一個(gè)內(nèi)部深度學(xué)習(xí)基礎(chǔ)設(shè)施叫做，這個(gè)設(shè)施允許谷歌人創(chuàng)建更大的神經(jīng)網(wǎng)絡(luò)和擴(kuò)容實(shí)訓(xùn)成千上萬個(gè)核心。

Google近日3月23－24日在美國舊金山舉辦首次谷歌云平臺(tái)（Google Cloud Platform） GCP NEXT大會(huì)，參會(huì)人數(shù)超過2000人。GCP NEXT大會(huì)以機(jī)器學(xué)習(xí)、資料中心和云端安全為主要議題，為未來GCP發(fā)展做戰(zhàn)略規(guī)劃。

其中，關(guān)于機(jī)器學(xué)習(xí)，谷歌發(fā)布了云端機(jī)器學(xué)習(xí)平臺(tái)（Cloud Machine Learning），為開發(fā)者和企業(yè)用戶提供一整套包含視聽及翻譯的應(yīng)用API，例如Cloud Translate API和Cloud Vision API。除了machine learning，谷歌去年就推出了機(jī)器學(xué)習(xí)開放原始碼平臺(tái)TensorFlow，鼓勵(lì)開發(fā)者利用該平臺(tái)來開發(fā)創(chuàng)新應(yīng)用服務(wù)?，F(xiàn)在TensorFlow和Kubernetes相結(jié)合，將建立更為強(qiáng)大的機(jī)器學(xué)習(xí)模型，擴(kuò)充功能，開啟人工智能機(jī)器學(xué)習(xí)在谷歌云端的新紀(jì)元。

在2011年，谷歌開發(fā)了一個(gè)內(nèi)部深度學(xué)習(xí)基礎(chǔ)設(shè)施叫做“DistBelief”，這個(gè)設(shè)施允許谷歌人創(chuàng)建更大的神經(jīng)網(wǎng)絡(luò)和擴(kuò)容實(shí)訓(xùn)成千上萬個(gè)核心。最近幾年，谷歌引進(jìn)了TensorFlow，也就是它的二代機(jī)器學(xué)習(xí)系統(tǒng)。TensorFlow的特點(diǎn)是通用，靈活的，便攜的，易于使用，最重要的是，它是使用開源社區(qū)開發(fā)的。

將機(jī)器學(xué)習(xí)引入到你的產(chǎn)品的過程包括創(chuàng)建和訓(xùn)練數(shù)據(jù)集模型。

引入機(jī)器學(xué)習(xí)到你的產(chǎn)品這個(gè)過程涉及到創(chuàng)建和訓(xùn)練模型在你的數(shù)據(jù)集上，然后push模型到生產(chǎn)過程來提供請(qǐng)求。在這篇博客中，我們將會(huì)展示給你們?nèi)绾瓮ㄟ^TensorFlow使用Kubernetes，TensorFlow是一個(gè)高性能,滿足應(yīng)用程序的擴(kuò)展需求，為機(jī)器學(xué)習(xí)模型提供開源服務(wù)系統(tǒng)。

現(xiàn)在讓我們以鏡像作為例子。假設(shè)你的應(yīng)用程序需要能夠在一系列類別中正確的識(shí)別一個(gè)鏡像。比如，給出下面這個(gè)可愛的小狗圖，你的系統(tǒng)應(yīng)該將它歸類到獵犬這一類。

你可以通過TensorFlow使用從ImageNet數(shù)據(jù)集上面trained的Inception－v3模型，來實(shí)現(xiàn)圖像分類。這個(gè)數(shù)據(jù)集包含圖片和標(biāo)簽，允許TensorFlow學(xué)習(xí)者train一個(gè)模型，該模型可以被用在生產(chǎn)過程中。

一旦模型被訓(xùn)練和輸出，TensorFlow服務(wù)使用該模型來進(jìn)行推理——基于客戶提供的新數(shù)據(jù)的預(yù)言。在我們的例子中，客戶在gRPC請(qǐng)求提交鏡像分類，gRPC是一個(gè)來自谷歌的高性能，開源RPC的框架。

推理可以是十分資源密集型的。我們的服務(wù)器執(zhí)行以下TensorFlow來處理它接收到的每一個(gè)分類的要求。Inception－v3模型有超過2700萬個(gè)參數(shù)，每次運(yùn)算推理（inference）運(yùn)行57億浮點(diǎn)。

幸運(yùn)地，這就是Kubernetes可以幫助到我們的地方。Kubernetes分布推斷請(qǐng)求處理跨集群使用外部負(fù)載均衡器。集群中的每個(gè)pod都包含一個(gè)TensorFlow服務(wù)于Docker鏡像，還有TensorFlow服務(wù)為基礎(chǔ)的gRPC服務(wù)器，以及一個(gè)trained的Inception－v3模型。這個(gè)模型以文件集描述TensorFlow圖的形式呈現(xiàn)，模型權(quán)重，資產(chǎn)等等。既然所有東西都是整齊的打包好放到一起，那么我們就可以使用Kubernetes Replication Controller動(dòng)態(tài)的擴(kuò)展復(fù)制pods，以此來跟上服務(wù)要求。

為了幫助你自己試一試，我們寫了一個(gè)tutorial教程，它展示了如何創(chuàng)建TensorFlow服務(wù)Docker容器來給Inception－v3鏡像分類模型提供服務(wù)，安裝Kubernetes集群，并且應(yīng)對(duì)該集群運(yùn)行分類請(qǐng)求。我們希望這個(gè)教程能夠讓你更加容易地去整合機(jī)器學(xué)習(xí)到你自己的程序上，以及用Kubernetes擴(kuò)大規(guī)模。學(xué)習(xí)更多關(guān)于TensorFlow，請(qǐng)看下文補(bǔ)充：

這個(gè)tutorial展示了如何使用TensorFlow Serving組件在容器里面的運(yùn)用，以此來服務(wù)TensorFlow模型，還展示了如何用Kubernetes配置服務(wù)中的集群。

為了解更多關(guān)于TensorFlow服務(wù)的信息，我們推薦《TensorFlow服務(wù)初級(jí)教程》和《TensorFlow服務(wù)教程》。

為了解更多關(guān)于TensorFlow Inception模型，我們推薦《Inception in TensorFlow》。

Part0 展示的是怎樣為配置創(chuàng)建一個(gè)TensorFlow服務(wù)Docker

Part1 展示的是如何在本地容器運(yùn)行鏡像

Part2 展示了如何在kubernetes上配置

請(qǐng)參考《通過Docker使用TensorFlow服務(wù)》來了解創(chuàng)建過程中的更多細(xì)節(jié)。

運(yùn)行容器

我們使用Dockerfile.devel來創(chuàng)建一個(gè)基底鏡像$USER/tensorflow-serving-devel，然后使用創(chuàng)建好的鏡像來啟動(dòng)本地容器。

$ docker build -t $USER/tensorflow-serving-devel -f tensorflow_serving/tools/docker/Dockerfile.devel .$ docker run --name=inception_container -it $USER/tensorflow-serving-devel

在容器中克隆，配置以及創(chuàng)建TensorFlow服務(wù)

在運(yùn)行的容器中，我們克隆，配置以及創(chuàng)建TensorFlow服務(wù)。然后測試運(yùn)行 inception_inference（網(wǎng)址：點(diǎn)擊）

root@c97d8e820ced:/# git clone --recurse-submodules https://github.com/tensorflow/servingroot@c97d8e820ced:/# cd serving/tensorflowroot@c97d8e820ced:/serving/tensorflow# ./configureroot@c97d8e820ced:/serving# cd ..root@c97d8e820ced:/serving# bazel build -c opt tensorflow_serving/...root@c97d8e820ced:/serving# ls
AUTHORS          LICENSE    RELEASE.md  bazel-bin       bazel-out      bazel-testlogs  tensorflow          zlib.BUILD
CONTRIBUTING.md  README.md  WORKSPACE   bazel-genfiles  bazel-serving  grpc            tensorflow_servingroot@c97d8e820ced:/serving# bazel-bin/tensorflow_serving/example/inception_inference
E tensorflow_serving/example/inception_inference.cc:362] Usage: inception_inference --port=9000 /path/to/exports

容器中的輸出Inception

在容器中，我們運(yùn)行inception_export.py（點(diǎn)擊）使用發(fā)布的Inception model training checkpoint（點(diǎn)擊）來出口inception模型。我們使用訓(xùn)練有素的現(xiàn)成的動(dòng)態(tài)檢查點(diǎn)來恢復(fù)直接推理，并且直接輸出它。

root@c97d8e820ced:/serving# curl -O http://download.tensorflow.org/models/image/imagenet/inception-v3-2016-03-01.tar.gzroot@c97d8e820ced:/serving# tar xzf inception-v3-2016-03-01.tar.gzroot@c97d8e820ced:/serving# ls inception-v3
README.txt  checkpoint  model.ckpt-157585root@c97d8e820ced:/serving# bazel-bin/tensorflow_serving/example/inception_export --checkpoint_dir=inception-v3 --export_dir=inception-export
Successfully loaded model from inception-v3/model.ckpt-157585 at step=157585.
Successfully exported model to inception-exportroot@c97d8e820ced:/serving# ls inception-export
00157585root@c97d8e820ced:/serving# [Ctrl-p] + [Ctrl-q]

提交鏡像到配置

注意我們從上述指令的容器中分離出來而不是終止它，因?yàn)槲覀兿胍獮镵ubernetes配置提交所有的修改到新的鏡像 $USER/inception_serving。

$ docker commit inception_container $USER/inception_serving$ docker stop inception_container

讓我們?cè)诒镜赜脛?chuàng)建的鏡像測試一下服務(wù)流程。

$ docker run -it $USER/inception_serving

開啟服務(wù)器

在容器中運(yùn)行g(shù)RPC服務(wù)器

root@f07eec53fd95:/# cd servingroot@f07eec53fd95:/serving# bazel-bin/tensorflow_serving/example/inception_inference --port=9000 inception-export &> inception_log &[1] 45

查詢服務(wù)器

用inception_client.py.（點(diǎn)擊）?？蛻舳送ㄟ^gRPC用一個(gè)命令行參數(shù)發(fā)送一個(gè)指定的鏡像到服務(wù)器。然后查找ImageNet同義詞集合和元數(shù)據(jù)文件，并且返回到人類可讀的分類。

root@f07eec53fd95:/serving# bazel-bin/tensorflow_serving/example/inception_client --server=localhost:9000 --image=/path/to/my_cat_image.jpg
8.976576 : tabby, tabby cat
8.725506 : Egyptian cat
6.883981 : tiger cat
2.659257 : lynx, catamount
2.028728 : window screenroot@f07eec53fd95:/serving# exit

它運(yùn)行起來了！服務(wù)器成功地分類了你的cat鏡像！

在這一節(jié)里，我們使用Part0中創(chuàng)建的容器鏡像來配置一個(gè)服務(wù)集群，用的是Google Cloud Platform中的Kubernetes。

Cloud項(xiàng)目登錄
這里我們假設(shè)你已經(jīng)創(chuàng)建并且已經(jīng)登陸了名“ tensorflow-serving”gcloud項(xiàng)目。

$ gcloud auth login --project tensorflow-serving

創(chuàng)建一個(gè)容器集群

首先，我們?yōu)榉?wù)配置創(chuàng)建一個(gè)Google Container Engine集群。

$ gcloud container clusters create inception-serving-cluster --num-nodes 5
Creating cluster inception-serving-cluster...done.
Created [https://container.googleapis.com/v1/projects/tensorflow-serving/zones/us-central1-f/clusters/inception-serving-cluster].
kubeconfig entry generated for inception-serving-cluster.
NAME                       ZONE           MASTER_VERSION  MASTER_IP        MACHINE_TYPE   NODE_VERSION  NUM_NODES  STATUS
inception-serving-cluster  us-central1-f  1.1.8           104.197.163.119  n1-standard-1  1.1.8         5          RUNNING

為gcloud容器命令設(shè)置默認(rèn)集群，并且發(fā)送集群憑證到kubectl。

$ gcloud config set container/cluster inception-serving-cluster$ gcloud container clusters get-credentials inception-serving-cluster
Fetching cluster endpoint and auth data.
kubeconfig entry generated for inception-serving-cluster.

上傳Docker鏡像
現(xiàn)在讓我們來把我們的鏡像push到［Google Container Registry］（https://cloud.google.com/container-registry/docs/），這樣我們就可以在Google Cloud Platform上面運(yùn)行了。

首先，我們給$USER/inception_serving 鏡像貼上標(biāo)簽，用Container Registry格式以及我們的項(xiàng)目名稱，

$ docker tag $USER/inception_serving gcr.io/tensorflow-serving/inception 

下面我們push鏡像到Registry，

$ gcloud docker push gcr.io/tensorflow-serving/inception

創(chuàng)建Kubernetes ReplicationController 和服務(wù)
配置包括不同的副本inception_inference 被一個(gè)kubernetes Replication Controller服務(wù)器控制。副本是由Kubernetes以及外部負(fù)載均衡起暴露在外部的。

我們使用那個(gè)Kubernetes公式inception_k8s.json的例子創(chuàng)建他們。

$ kubectl create -f tensorflow_serving/example/inception_k8s.json
replicationcontroller "inception-controller" created
service "inception-service" created

來看一下副本控制器和pods：

$ kubectl get rc
CONTROLLER             CONTAINER(S)          IMAGE(S)                              SELECTOR               REPLICAS   AGE
inception-controller   inception-container   gcr.io/tensorflow-serving/inception   worker=inception-pod   3          20s

$ kubectl get pod
NAME                         READY     STATUS    RESTARTS   AGE
inception-controller-bbcbc   1/1       Running   0          1m
inception-controller-cj6l2   1/1       Running   0          1m
inception-controller-t1uep   1/1       Running   0          1m

來看一下服務(wù)的狀態(tài)：

$ kubectl get svc
NAME                CLUSTER_IP      EXTERNAL_IP      PORT(S)    SELECTOR               AGE
inception-service   10.15.242.244   146.148.88.232   9000/TCP   worker=inception-pod   3m
kubernetes          10.15.240.1                443/TCP                     1h

$ kubectl describe svc inception-service
Name:     inception-service
Namespace:    default
Labels:     
Selector:   worker=inception-pod
Type:     LoadBalancer
IP:     10.15.242.244
LoadBalancer Ingress: 146.148.88.232
Port:      9000/TCP
NodePort:    32006/TCP
Endpoints:    10.12.2.4:9000,10.12.4.4:9000,10.12.4.5:9000
Session Affinity: None
Events:
  FirstSeen LastSeen  Count From      SubobjectPath Reason      Message
  ───────── ────────  ───── ────      ───────────── ──────      ───────
  4m    3m    2 {service-controller }     CreatingLoadBalancer  Creating load balancer
  3m    2m    2 {service-controller }     CreatedLoadBalancer   Created load balancer

任何東西上傳或者運(yùn)行都需要時(shí)間。服務(wù)的外部IP地址就在LoadBalancer旁邊被列出來。

查詢模型

我們現(xiàn)在可以從我們的本地主機(jī)外部地址查詢服務(wù)。

$ bazel-bin/tensorflow_serving/example/inception_client --server=146.148.88.232:9000 --image=/path/to/my_cat_image.jpg
8.976576 : tabby, tabby cat
8.725506 : Egyptian cat
6.883981 : tiger cat
2.659257 : lynx, catamount
2.028728 : window screen

你已經(jīng)在Kubernetes里成功部署了inception服務(wù)。

原文在這里

（如果需要轉(zhuǎn)載，請(qǐng)聯(lián)系我們哦，尊重知識(shí)產(chǎn)權(quán)人人有責(zé)）