作者：Francesco Zuppichini
导读
演示了使用PyTorch最近发布的新工具torchserve来进行PyTorch模型的部署。
最近，PyTorch推出了名为torchserve.的新生产框架来为模型提供服务。我们看一下今天的roadmap：
1、使用Docker安装
2、导出模型
3、定义handler
4、保存模型
为了展示torchserve，我们将提供一个经过全面训练的ResNet34进行图像分类的服务。
使用Docker安装
官方文档：https://github.com/pytorch/serve/blob/master/README.md##install-torchserve
安装torchserve最好的方法是使用docker。你只需要把镜像拉下来。
可以使用以下命令保存最新的镜像。
docker pull pytorch/torchserve:latest所有可用的tags：https://hub.docker.com/r/pytorch/torchserve/tags
关于docker和torchserve的更多信息：https://github.com/pytorch/serve#quick-start-with-docker
Handlers
官方文档：https://github.com/pytorch/serve/blob/master/docs/custom_service.md
处理程序负责使用模型对一个或多个HTTP请求进行预测。
默认 handlers
Torchserve支持以下默认 handlers
1. image_classifier
2. object_detector
3. text_classifier
4. image_segmenter但是请记住，它们都不支持batching请求！
自定义 handlers
torchserve提供了一个丰富的接口，可以做几乎所有你想做的事情。一个Handler是一个必须有三个函数的类。
- preprocess
- inference
- postprocess
你可以创建你自己的类或者子类BaseHandler。子类化BaseHandler 的主要优点是可以在self.model上访问加载的模型。下面的代码片段展示了如何子类化BaseHandler。
子类化BaseHandler以创建自己的handler
回到图像分类的例子。我们需要
- 从每个请求中获取图像并对其进行预处理
- 从模型中得到预测
- 发送回一个响应
预处理
.preprocess函数接受请求数组。假设我们正在向服务器发送一个图像，可以从请求的data或body字段访问序列化的图像。因此，我们可以遍历所有请求并单独预处理每个图像。完整的代码如下所示。
预处理每个请求中的每个图像
self.transform是我们的预处理变换，没什么花哨的。对于在ImageNet上训练的模型来说，这是一个经典的预处理步骤。
我们的transform
在我们对每个请求中的每个图像进行预处理之后，我们将它们连接起来创建一个pytorch张量。
推理
在模型上进行推理
这一步很简单，我们从 .preprocess得到张量。然后对每幅图像提取预测结果。
后处理
现在我们有了对每个图像的预测，我们需要向客户返回一些内容。Torchserve总是返回一个数组。BaseHandler也会自动打开一个.json 文件带有index -> label的映射(稍后我们将看到如何提供这样的文件)，并将其存储self.mapping中。我们可以为每个预测返回一个字典数组，其中包含label和index 的类别。
把所有的东西打包到一起，我们的handler是这样的：
因为所有的处理逻辑都封装在一个类中，所以你可以轻松地对它进行单元测试！
导出你的模型
官方文档：https://github.com/pytorch/serve/tree/master/model-archiver#creating-a-model-archive
Torchserve 需要提供一个.mar文件，简而言之，该文件只是把你的模型和所有依赖打包在一起。要进行打包，首先需要导出经过训练的模型。
导出模型
有三种方法可以导出torchserve的模型。到目前为止，我发现的最好的方法是trace模型并存储结果。这样我们就不需要向torchserve添加任何额外的文件。
让我们来看一个例子，我们将部署一个经过充分训练的ResNet34模型。
按照顺序，我们：
- 加载模型
- 创建一个dummy输入
- 使用
torch.jit.trace来trace模型的输入 - 保存模型
创建 .mar 文件
官方文档：https://github.com/pytorch/serve/blob/master/model-archiver/README.md
你需要安装torch-model-archiver
git clone https://github.com/pytorch/serve.git
cd serve/model-archiver
pip install .然后，我们准备好通过使用下面的命令来创建.mar文件。
torch-model-archiver --model-name resnet34 \--version 1.0 \--serialized-file resnet34.pt \--extra-files ./index_to_name.json,./MyHandler.py \--handler my_handler.py \--export-path model-store -f按照顺序。变量--model-name定义了模型的最终名称。这是非常重要的，因为它将是endpoint的名称空间，负责进行预测。你还可以指定一个--version。--serialized-file指向我们之前创建的存储的 .pt模型。--handler 是一个python文件，我们在其中调用我们的自定义handler。一般来说，是这样的：
my_handler.py
它暴露了一个handle函数，我们从该函数调用自定义handler中的方法。你可以使用默认名称来使用默认handler(例如，--handler image_classifier)。
在--extra-files中，你需要将路径传递给你的handlers正在使用的所有文件。在本例中，我们必须向.json文件中添加路径。使用所有人类可读标签名称，并在MyHandler.py 中定义每个类别。
如果你传递一个index_to_name.json文件，它将自动加载到handler ，并通过self.mapping访问。
--export-path就是 .mar存放的地方，我还添加了-f来覆盖原有的文件。
如果一切顺利的话，你可以看到resnet34.mar存放在./model-store路径中。
用模型进行服务
这是一个简单的步骤，我们可以运行带有所有必需参数的torchserve docker容器。
docker run --rm -it \-p 3000:8080 -p 3001:8081 \-v $(pwd)/model-store:/home/model-server/model-store pytorch/torchserve:0.1-cpu \torchserve --start --model-store model-store --models resnet34=resnet34.mar我将容器端口8080和8081分别绑定到3000和3001(8080/8081已经在我的机器中使用)。然后，我从./model-store 创建一个volume。最后，我通过padding model-store并通过key-value列表的方式指定模型的名称来调用torchserve。
这里，torchserve有一个endpoint /predictions/resnet34，我们可以通过发送图像来预测。这可以使用curl来实现。
curl -X POST http://127.0.0.1:3000/predictions/resnet34 -T inputs/kitten.jpg
kitten.jpg
回复：
{
"label": "tiger_cat",
"index": 282
}工作正常！
总结
- 使用docker安装torchserve
- 默认以及自定义handlers
- 模型打包生成
- 使用docker提供模型服务
—END—
