文章图片


文章图片

【手把手教程 | 使用无服务器模板部署机器学习模型】在设计和训练机器学习模型后，数据科学家会部署这些模型，以便应用程序可以使用。Amazon Lambda是一项让您在运行代码时无需预置或管理服务器的计算服务。Amazon Lambda的按请求付费、自动扩展和易用性使其成为数据科学团队的热门部署选择。

• Amazon Lambda
  https://aws.amazon.com/cn/lam...

数据科学家可以使用更少的代码就能将模型转变为由Amazon Lambda支持的经济高效且可扩展的API终端节点。Amazon Lambda支持容器镜像、Advanced Vector Extensions 2(AVX2)和具有高达10GB内存的函数。使用这些函数，数据科学团队可以部署更大、更强的模型并提高性能。
要部署基于Amazon Lambda的应用程序，无服务器开发人员可以使用Amazon Serverless Application Model(Amazon SAM)。Amazon SAM基于模板创建和管理无服务器应用程序。它支持本地测试，旨在实现最佳实践，并可与流行的开发工具集成。它允许数据科学家使用YAML定义无服务器应用程序、安全权限和高级配置功能。

• Amazon Serverless Application Model(Amazon SAM)
  https://github.com/aws/server...

Amazon SAM包含可让开发人员快速入门的预构建模板。本博客展示了如何使用机器学习模板部署基于Scikit-Learn的模型，该模型可以分类从0到9的手写数字图像。部署到Amazon Lambda后，您可以通过一个REST API访问模型。
示例会在亚马逊云科技账户中创建会产生成本的资源。为了最大限度地降低成本，请在完成示例内容后按照最后的清理部分说明删除资源。

文章图片

想要了解更多亚马逊云科技最新技术发布和实践创新，敬请关注在上海、北京、深圳三地举办的2021亚马逊云科技中国峰会！点击图片报名吧～上海站峰会已经圆满落幕，更多精彩内容，敬请期待北京、深圳分会吧！
概览 Amazon SAM机器学习模板可用于Scikit-Learn、PyTorch、TensorFlow和 XGBoost框架。每个模板都部署一个Amazon Lambda函数来管理Amazon API Gateway网管后面的模型，该网关作为前端并处理身份验证。下图显示了这个解决方案的架构：

文章图片

机器学习推理的无服务器架构

• Amazon API Gateway网管
  https://aws.amazon.com/cn/api...

创建容器化Amazon Lambda函数 本节将使用Amazon SAM在Amazon Lambda上构建、测试和部署包含预先训练的数字分类器模型的Docker镜像：

1. 更新或安装Amazon SAM，使用机器学习模板需要Amazon SAM CLI v1.24.1或更高版本。
2. 在终端中，使用以下命令在Amazon SAM中创建新的无服务器应用程序：sam init
3. 按照屏幕上的提示，选择Amazon快速入门模板作为模板来源。

文章图片

Amazon SAM：选择模板来源

• 选择镜像作为打包类型。

文章图片

Amazon SAM：选择封装类型

• 选择amazon/python3.8-base作为基础镜像。

文章图片

Amazon SAM：选择运行时镜像

• 出现提示时，输入应用程序名称。Amazon SAM使用它对其创建的资源进行分组和打标签。

文章图片

Amazon SAM：选择运行时镜像

• 从模板列表中选择所需的机器学习框架，本示例使用 Scikit-Learn 模板。

文章图片

Amazon SAM：选择应用程序模板

• Amazon SAM使用您的应用程序名称创建一个目录，切换到新目录并运行Amazon SAM生成命令：sam build

文章图片

Amazon SAM：构建结果
由Amazon SAM生成的文件 选择模板后，Amazon SAM将在应用程序目录中生成以下文件：

• Dockerfile:该应用程序使用Amazon Lambda提供的Python 3.8基础镜像。它已经安装了相关的依赖项并为Amazon Lambda执行环境定义了CMD变量以初始化处理程序。

FROM public.ecr.aws/lambda/python:3.8COPY app.py requirements.txt ./COPY digit_classifier.joblib /opt/ml/model/1RUN python3.8 -m pip install -r requirements.txt -t .CMD ["app.lambda_handler"]

• app.py:这段Python代码在调用Amazon Lambda处理程序后运行，并会从Scikit-Learn模型中生成预测结果。通过在Amazon lambda_handler之外加载模型，可在多个Amazon Lambda调用中重复使用该模型。

import joblib import base64 import numpy as np import jsonfrom io import BytesIO from PIL import Image from scipy.ndimage import interpolationmodel_file = '/opt/ml/model' model = joblib.load(model_file) # Functions to pre-process images (we used same preprocessing when training)def moments(image): c0, c1 = np.mgrid[:image.shape[0], :image.shape[1]] img_sum = np.sum(image)m0 = np.sum(c0 * image) / img_sum m1 = np.sum(c1 * image) / img_sum m00 = np.sum((c0-m0)**2 * image) / img_sum m11 = np.sum((c1-m1)**2 * image) / img_sum m01 = np.sum((c0-m0) * (c1-m1) * image) / img_summu_vector = np.array([m0,m1]) covariance_matrix = np.array([[m00, m01],[m01, m11]])return mu_vector, covariance_matrixdef deskew(image): c, v = moments(image) alpha = v[0,1] / v[0,0] affine = np.array([[1,0], [alpha,1]]) ocenter = np.array(image.shape) / 2.0 offset = c - np.dot(affine, ocenter) return interpolation.affine_transform(image, affine, offset=offset)def get_np_image(image_bytes): image = Image.open(BytesIO(base64.b64decode(image_bytes))).convert(mode='L') image = image.resize((28, 28)) return np.array(image)# Lambda handler codedef lambda_handler(event, context): image_bytes = event['body'].encode('utf-8') x = deskew(get_np_image(image_bytes)) prediction = int(model.predict(x.reshape(1, -1))[0]) return { 'statusCode': 200, 'body': json.dumps( { "predicted_label": prediction, } ) }

• 完成这些步骤后，目录结构如下所示：

文章图片

文件结构
测试Amazon SAM模板 对于基于容器镜像的Amazon Lambda函数，Amazon sam build会在本地Docker存储库中创建和更新容器镜像。它将模板复制到输出目录并更新新建镜像的位置。
您可以在amazon-sam目录下看到以下顶层目录树结构：

文章图片

Amazon SAM构建构件目录结构
构建Docker镜像后，使用Amazon SAM的本地测试功能测试终端节点。有两种方法可以在本地测试应用程序：

• 本地调用 — 事件使用event.json中的模拟数据来调用函数并生成预测。手写数字的图像被编码为event.json文件中body属性中的base64字符串。使用event.json模拟数据进行测试：

sam local invoke InferenceFunction --event events/event.json

文章图片

Amazon SAM本地调用结果

• 通过start-api命令启动一个模拟REST API终端节点的本地终端节点。它会下载一个在本地运行API Gateway和Amazon Lambda函数的执行容器。使用API Gateway模拟器调用:sam local start-api

文章图片

Amazon SAM本地start-api监控
要测试本地端点，请使用Postman等REST API客户端向/classify_digit终端节点发送POST请求。

• Postman
  https://www.postman.com

文章图片

用Postman进行测试
在本地测试时，请使用小于100 KB的图像。如果文件较大，请求会失败并显示状态代码502，错误信息为“argument list too long”（参数列表过长）。但是在部署到Amazon Lambda之后，您可以使用更大的图像。
部署应用程序到Amazon Lambda 在本地测试模型后，使用Amazon SAM引导式部署流程打包和部署应用程序：

1. 要基于容器镜像部署Amazon Lambda函数，必须将容器镜像推送到Amazon Elastic Container Registry（ECR）。运行以下命令以检索身份验证令牌并使用ECR注册表对Docker客户端进行身份验证。将region和accountID占位符替换为您的区域和亚马逊云科技账户ID：

aws --region ecr get-login-password | docker login --username AWS --password-stdin .dkr.ecr..amazonaws.com

• Amazon Elastic Container Registry（ECR）
  https://aws.amazon.com/cn/ecr/

文章图片

登录成功

• 使用Amazon CLI创建一个名为classifier-demo的ECR存储库：

aws ecr create-repository \--repository-name classifier-demo \--image-tag-mutability MUTABLE \--image-scanning-configuration scanOnPush=true

文章图片

创建ECR存储库结果

• 从输出中复制repositoryUri，我们在下一步中将会用到。使用deploy命令启动Amazon SAM引导式部署：sam deploy --guided
• 按照屏幕上的提示进行操作。要接受互动体验中提供的默认选项，请按Enter键。当系统提示输入ECR存储库时，请使用在上一步中创建的Amazon ECR存储库。

文章图片

CloudFormation更改集验证截图

文章图片

CloudFormation输出

• Amazon SAM将应用程序打包并部署为带有版本控制的实体。部署后，生产API终端节点就可以使用了。该模板会生成多个输出，在“Outputs”部分的“HelloWorldAPI”键中可以找到终端节点的URL。

找到URL后，使用REST客户端测试实时终端节点：

文章图片

用Postman进行测试
优化性能 部署Amazon Lambda函数后，您可以针对延迟和成本进行优化。为此，请调整函数的内存分配设置，这也会线性更改分配的vCPU（要了解更多信息，请阅读亚马逊云科技新闻博客）。

• 亚马逊云科技新闻博客
  https://aws.amazon.com/cn/blo...

数字分类器模型使用5GB内存(约3个vCPU)进行了优化。超过5GB的任何收益都相对较小。每个模型对vCPU和内存的变化的响应不同，因此最佳做法是通过实验来确定这一点。这部分有开源工具可用于自动调整性能。

• 开源工具
  https://github.com/alexcasalb...

可以通过编译源代码以利用AVX2指令进行进一步优化。AVX2允许Amazon Lambda在每个时钟周期运行更多操作，从而减少了模型生成预测所需的时间。

• 利用AVX2指令
  https://aws.amazon.com/cn/blo...

清理 上述示例创建了Amazon Lambda函数、API Gateway终端节点和ECR存储库。这些资源会产生费用，因此建议清理资源以避免产生额外的成本。要删除ECR存储库，请运行：

aws ecr delete-repository --registry-id--repository-name classifier-demo --force

要删除剩余资源，请导航到亚马逊云科技管理控制台中的Amazon CloudFormation，然后选择用于示例的区域。选择Amazon SAM创建的堆栈（默认为“sam-app”），然后选择Delete（删除）。

• Amazon CloudFormation
  https://aws.amazon.com/cn/clo...

结论 对于数据科学家来说，要部署基于CPU的机器学习模型进行推理，Amazon Lambda是一种经济高效、可扩展且可靠的方式。凭借对更大的函数大小、AVX2指令集和容器镜像的支持，Amazon Lambda现在可以部署更复杂的模型，同时保持低延迟。
欢迎使用Amazon SAM中新的机器学习模板，在数分钟内部署您的第一个无服务器机器学习应用程序吧。我们期待看到您在Amazon Lambda上构建的激动人心的机器学习应用程序。
有关更多无服务器学习资源，请访问Serverless Land。

• Serverless Land
  https://serverlessland.com

本篇作者
Sean Wilkinson
亚马逊云科技机器学习专家解决方案架构师
Newton Jain
亚马逊云科技Amazon Lambda高级产品经理

推荐阅读

• 

  电热水器显示器全亮是什么故障？怎么解决
• 

  redis如何设置密码 windows系统redis设置密码
• 

  冬天格力e享模式怎么用 格力e享模式冬天可以开吗
• 

  wps调整页边距的具体方法是什么 wps调整页边距的具体方法
• 

  mysql筛选出重复数据 mysql筛选中文
• 

  中央空调室外机不制冷原因是怎么造成的,要考虑这些方面
• 

  屋檐滴水怎样防止 屋檐滴水处理方法
• 

  4080和3060ti 4080和3080ti对比
• 

  青杠膏
• 

  win1064位纯净版雨林木风最新系统推荐
• 

  黑脸娃娃和光子嫩肤哪个好
• 

  体重过重要怎么做引体向上啊
• 

  推理小说排行榜前十名
• 

  qq 代理 qq2016如何用代理ip，QQ业务代理
• 

  哪种男人忘不了前妻 前妻在男人心中重要吗
• 

  一次性口罩气味大是甲醛吗
• 

  mongodb修改字段数据的题目 mongodb 修改字段
• 

  手机|这手机壳很舒适，保护得也很到位，ESR亿色MFM手机壳体验
• 

  Yamy老板徐明朝身家背景个人资料介绍 徐明朝个人简历
• 

  智能点菜系统可行性分析

• AI|Seq2Seq中的Attention和self-attention
• bert-modeling代码学习
• 机器学习-推荐系统中基于深度学习的混合协同过滤模型
• bert-create_pretraining_data代码学习
• 机器学习常见评价指标 -- 混淆矩阵 & Precision(精确度) & Recall(召回率) & Accuracy(准确度)
• 使用Amazon SageMaker部署CVAT AI自动图像标注系统
• 基于Amazon Machine Learning Bot 的 Named-entity Recognition 快速解决方案
• 在亚马逊云科技Marketplace上的SaaS架构设计——如何支持多产品使用单一账户中心
• Amazon DeepRacer训练日志分析范例与强化学习Reward Function设计
• Amazon Marketplace上的SaaS架构设计 ——如何支持跨多账户对接