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：


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。


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：


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。

“`
swagger: “2.0”
info:
description: This is the swagger file that goes with our server code
version: “1.0.0”
title: Tensorflow Podman Article
consumes:
– “application/json”
produces:
– “application/json”

basePath: “/”

paths:
/survival_probability:
post:
operationId: “prediction.post”
tags:
– “Prediction”
summary: “The prediction data structure provided by the server application”
description: “Retrieve the chance of surviving the titanic disaster”
parameters:
– in: body
name: passenger
required: true
schema:
$ref: ‘#/definitions/PredictionPost’
responses:
‘201’:
description: ‘Survival probability of an individual Titanic passenger’

definitions:
PredictionPost:
type: object
“`

server.py 和 requirements.txt

server.py 定义了启动 Connexion 服务器的入口点。

“`
import connexion

app = connexion.App(name, specification_dir=’./’)

app.add_api(‘swagger.yaml’)

if name == ‘main‘:
app.run(debug=True)
“`

requirements.txt 定义了运行程序所需的 python 包。


connexion
tensorflow
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：

“`
FROM fedora:28

File Author / Maintainer

MAINTAINER Sven Boesiger donotspam@ujelang.com

Update the sources

RUN dnf -y update –refresh

Install additional dependencies

RUN dnf -y install libstdc++

RUN dnf -y autoremove

Copy the application folder inside the container

ADD /titanictfmlmodel /titanictfmlmodel

Get pip to download and install requirements:

RUN pip3 install -r /titanictfml_model/requirements.txt

Expose ports

EXPOSE 5000

Set the default directory where CMD will execute

WORKDIR /titanictfml_model

Set the default command to execute

when creating a new container

CMD python3 server.py
“`

接下来，使用以下命令构建容器镜像：


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：


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。

via: https://fedoramagazine.org/create-containerized-machine-learning-model/

作者：Sven Bösiger 选题：lujun9972 译者：geekpi 校对：wxy

本文由 LCTT 原创编译，Linux中国 荣誉推出