tensorflow

下载并运行

阿里镜像 docker run -it registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow bash

或

较原生方式 (直接docker pull tensorflow/tensorflow 被墙，借用) docker pull registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow docker tag registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow tensorflow/tensorflow docker run -it -p 8888:8888 tensorflow/tensorflow

使用

照提示

1Copy/paste this URL into your browser when you connect for the first time,
2    to login with a token:
3        http://localhost:8888/?token=8cf1adc4f51f524440a264d0314f18e618cad6ddf6ae4ed6

访问 http://服务器IP:8888/?token=8cf1adc4f51f524440a264d0314f18e618cad6ddf6ae4ed6 进入其jupyter页面

tensorflow-serving

简介

TensorFlow Serving是GOOGLE开源的一个服务系统，适用于部署机器学习模型，灵活、性能高、可用于生产环境。 TensorFlow Serving可以轻松部署新算法和实验，同时保持相同的服务器架构和API，它具有以下特性：

支持模型版本控制和回滚
支持并发，实现高吞吐量
开箱即用，并且可定制化
支持多模型服务
支持批处理
支持热更新
支持分布式模型
易于使用的inference api
gRPC和HTTP请求。gRPC默认端口是8500，HTTP请求的默认端口是8501
镜像中的程序会自动加载镜像内/models下的模型，通过MODEL_NAME指定/models下的哪个模型

安装和使用演示

使用一个名为的玩具模型Half Plus Two，它0.5 * x + 2为x我们提供的预测值生成。 (这里使用的是CPU版本。如果使用 tensorflow/serving:latest-gpu，此模型将操作绑定到GPU设备，并且不会在CPU上运行)

1//下载安装
2cd /data/
3git clone https://github.com/tensorflow/serving
4docker pull tensorflow/serving:latest
5
6//运行
7docker run -p 8501:8501 --mount type=bind,source=/data/serving/tensorflow_serving/servables/tensorflow/testdata/saved_model_half_plus_two_cpu,target=/models/half_plus_two -e MODEL_NAME=half_plus_two -t tensorflow/serving:latest &
8
9//使用
10curl -d '{"instances": [1.0, 2.0, 5.0]}'   -X POST http://localhost:8501/v1/models/half_plus_two:predict

运行参数说明

1--mount：   表示要进行挂载
2source：    指定要运行部署的模型地址， 也就是挂载的源，这个是在宿主机上的servable模型目录（pb格式模型而不是checkpoint模型）
3target:     这个是要挂载的目标位置，也就是挂载到docker容器中的哪个位置，这是docker容器中的目录，模型默认挂在/models/目录下，如果改变路径会出现找不到model的错误
4-t:         指定的是挂载到哪个容器
5-d:         后台运行
6-p:         指定主机到docker容器的端口映射
7-e:         环境变量
8-v:         docker数据卷
9--name:     指定容器name，后续使用比用container_id更方便
10docker run: 启动这个容器并启动模型服务（这里是如何同时启动容器中的模型服务的还不太清楚）

模型转化

平时使用tf.Saver()保存的模型是checkpoint格式的，但是在TensorFlow Serving中一个servable的模型目录中是一个pb格式文件和一个名为variables的目录，因此需要在模型保存时就保存好可部署的模型格式，或者将已经训练好的checkpoint转换为servable format

但这个转化目前还是比较定制化的，需要不少工作

多模型部署

一个任务可能需要用到多个模型，例如命名实体识别我训练了多个模型，对每个句子都需要汇总所有模型的结果，这时就需要用到多模型部署。多模型部署时，无法在命令行中指定MODEL_NAME了，需要编写一个如下的json配置文件，这里取名为model.config

1model_config_list: {
2    config: {
3        name: "model1",
4        base_path: "/models/model1",
5        model_platform: "tensorflow",
6        model_version_policy: {
7           all: {}
8    },
9    config: {
10        name: "model2",
11        base_path: "/models/model2",
12        model_platform: "tensorflow",
13        model_version_policy: {
14           latest: {
15               num_versions: 1
16           }
17        }
18    },
19    config: {
20        name: "model3",
21        base_path: "/models/model3",
22        model_platform: "tensorflow",
23        model_version_policy: {
24           specific: {
25               versions: 1
26           }
27        }
28    }
29}

model_version_policy指定模型版本
- 可以删除，默认是部署最新版本的模型
- 如果想要部署指定版本或者全部版本，需要单独设定

启动多模型服务命令时，需要将所有模型和配置文件逐个绑定，然后指定配置文件路径

docker run -d -p 8500:8500 --mounttype=bind,source=/path/to/source_models/model1/,target=/models/model1 --mounttype=bind,source=/path/to/source_models/model2/,target=/models/model2 --mounttype=bind,source=/path/to/source_models/model3/,target=/models/model3 --mounttype=bind,source=/path/to/source_models/model.config,target=/models/model.config -t --name ner tensorflow/serving --model_config_file=/models/model.config

热更新

如果想上线新模型，只需要修改模型配置文件，然后同时把新模型的模型文件放到对应路径下就可以

参考

https://www.cnblogs.com/aidenzdly/p/10455917.html tensorflow_serving 安装方法
https://www.jianshu.com/p/d11a5c3dc757 tensorflow_serving 更完整说明
https://zhuanlan.zhihu.com/p/52096200?utm_source=wechat_session tensorflow_serving 更完整示例
https://segmentfault.com/a/1190000016659530 美团实践经验(2018，信息量略大)

Docker下的Tensorflow