创建一个容器化的机器学习模型

数据科学家在创建机器学习模型后，必须将其部署到生产中。要在不同的基础架构上运行它，使用容器并通过 REST API 公开模型是部署机器学习模型的常用方法。本文演示了如何在 Podman 容器中使用 Connexion 推出使用 REST API 的 TensorFlow 机器学习模型。

准备

首先，使用以下命令安装 Podman：

1. sudo dnf -y install podman

接下来，为容器创建一个新文件夹并切换到该目录。

1. mkdir deployment_container && cd deployment_container

TensorFlow 模型的 REST API

下一步是为机器学习模型创建 REST API。这个 github 仓库包含一个预训练模型，以及能让 REST API 工作的设置。

使用以下命令在 deployment_container 目录中克隆它：

1. git clone https://github.com/svenboesiger/titanic_tf_ml_model.git

prediction.py 和 ml_model/

prediction.py 能进行 Tensorflow 预测，而 20x20x20 神经网络的权重位于文件夹 ml_model/ 中。

swagger.yaml

swagger.yaml 使用 Swagger规范 定义 Connexion 库的 API。此文件包含让你的服务器提供输入参数验证、输出响应数据验证、URL 端点定义所需的所有信息。

额外地，Connexion 还将给你提供一个简单但有用的单页 Web 应用，它演示了如何使用 Javascript 调用 API 和更新 DOM。

1. swagger: "2.0"
2. info:
3. description: This is the swagger file that goes with our server code
4. version: "1.0.0"
5. title: Tensorflow Podman Article
6. consumes:
7. - "application/json"
8. produces:
9. - "application/json"
10.  
11.  
12. basePath: "/"
13.  
14. paths:
15. /survival_probability:
16. post:
17. operationId: "prediction.post"
18. tags:
19. - "Prediction"
20. summary: "The prediction data structure provided by the server application"
21. description: "Retrieve the chance of surviving the titanic disaster"
22. parameters:
23. - in: body
24. name: passenger
25. required: true
26. schema:
27. $ref: '#/definitions/PredictionPost'
28. responses:
29. '201':
30. description: 'Survival probability of an individual Titanic passenger'
31.  
32. definitions:
33. PredictionPost:
34. type: object

server.py 和 requirements.txt

server.py 定义了启动 Connexion 服务器的入口点。

1. import connexion
2.  
3. app = connexion.App(__name__, specification_dir='./')
4.  
5. app.add_api('swagger.yaml')
6.  
7. if __name__ == '__main__':
8. app.run(debug=True)

requirements.txt 定义了运行程序所需的 python 包。

1. connexion
2. tensorflow
3. pandas

容器化！

为了让 Podman 构建映像，请在上面的准备步骤中创建的 deployment_container 目录中创建一个名为 Dockerfile 的新文件：

1. FROM fedora:28
2.  
3. # File Author / Maintainer
4. MAINTAINER Sven Boesiger <donotspam@ujelang.com>
5.  
6. # Update the sources
7. RUN dnf -y update --refresh
8.  
9. # Install additional dependencies
10. RUN dnf -y install libstdc++
11.  
12. RUN dnf -y autoremove
13.  
14. # Copy the application folder inside the container
15. ADD /titanic_tf_ml_model /titanic_tf_ml_model
16.  
17. # Get pip to download and install requirements:
18. RUN pip3 install -r /titanic_tf_ml_model/requirements.txt
19.  
20. # Expose ports
21. EXPOSE 5000
22.  
23. # Set the default directory where CMD will execute
24. WORKDIR /titanic_tf_ml_model
25.  
26. # Set the default command to execute
27. # when creating a new container
28. CMD python3 server.py

接下来，使用以下命令构建容器镜像：

1. podman build -t ml_deployment .

运行容器

随着容器镜像的构建和准备就绪，你可以使用以下命令在本地运行它：

1. podman run -p 5000:5000 ml_deployment

在 Web 浏览器中输入 http://0.0.0.0:5000/ui 访问 Swagger/Connexion UI 并测试模型：

当然，你现在也可以在应用中通过 REST API 访问模型。