docker - 如何使用 Docker 和 DigitalOcean Spaces 部署 TensorFlow Serving

Question

如何配置 TensorFlow Serving 以使用存储在 DigitalOcean Spaces 中的文件？

解决方案很重要:

• 提供对配置和模型文件的访问
• 提供对数据的非公开访问

我在 DigitalOcean Spaces 中配置了一个名为 your_bucket_name 的存储桶，其结构如下:

- your_bucket_name
  - config
    - batching_parameters.txt
    - monitoring_config.txt
    - models.config
  - models
    - model_1
      - version_1.1
        - variables
          - variables.data-00000-of-00001
          - variables.index
        - saved_model.pb
   - model_2
       - ...
   - model_3
       - ...

Answer 1

编辑:自 TensorFlow 2.6 起，S3 支持已被弃用，Docker 镜像也不再支持存储在 S3 上的模型 [ reference ]. (归功于@RonaldDas。)

---

历史:TensorFlow Serving 支持与 Amazon S3 存储桶集成。由于 DigitalOcean Spaces 提供了类似的接口(interface)，因此可以借助 S3 接口(interface)通过 Docker 轻松地使用 DigitalOcean Spaces 运行 TensorFlow Servings。

为了让其他人更轻松，我在下面详细说明了您需要了解的有关运行服务器的所有信息:

1。环境变量(可选)

在您的环境中定义以下变量:

AWS_ACCESS_KEY_ID=...
AWS_SECRET_ACCESS_KEY=...

(这不是绝对必要的，但定义这些变量使您的部署比例如将值硬编码到 docker-compose 文件中更安全。)

作为配置云存储桶的一部分，您会从 DigitalOcean Spaces 收到这些变量的值。

2。服务器

您可以使用 Docker 或 docker-compose 启动服务器:

2.1。使用 Docker

这是从命令提示符启动服务器的最小 docker 命令:

docker run \
    -p 8500:8500 \
    -p 8501:8501 \
    -e AWS_ACCESS_KEY_ID=${AWS_ACCESS_KEY_ID} \
    -e AWS_REGION=nyc3 \
    -e AWS_SECRET_ACCESS_KEY=${AWS_SECRET_ACCESS_KEY} \
    -e S3_ENDPOINT=nyc3.digitaloceanspaces.com \
    tensorflow/serving \
    --model_config_file=s3://your_bucket_name/config/models.config

(要在 Windows 上运行它，您可能需要删除反引号换行符以使其成为单行命令。)

2.2。使用 docker-compose

此 docker-compose 配置在配置服务器的方式上更详细一些，但您也可以通过简单的 docker 命令使用这些选项。

version: "3"
services:
  tensorflow-servings:
    image: tensorflow/serving:latest
    ports:
      - 8500:8500
      - 8501:8501
    command:
      - --batching_parameters_file=s3://your_bucket_name/config/batching_parameters.txt
      - --enable_batching=true
      - --model_config_file=s3://your_bucket_name/config/only_toxic.config
      - --model_config_file_poll_wait_seconds=300
      - --monitoring_config_file=s3://your_bucket_name/config/monitoring_config.txt
      - --rest_api_timeout_in_ms=30000
    environment:
      - AWS_ACCESS_KEY_ID=${AWS_ACCESS_KEY_ID}
      - AWS_LOG_LEVEL=3
      - AWS_REGION=nyc3
      - AWS_SECRET_ACCESS_KEY=${AWS_SECRET_ACCESS_KEY}
      - S3_ENDPOINT=nyc3.digitaloceanspaces.com

这里降低了日志级别，因为有很多不是实际错误的“连接已释放”和“无响应正文”消息。 (有关详细信息，请参阅 GitHub Issue: AWS lib is verbose when using S3。)

3。配置文件:

配置文件看起来像这样，它们是 Protocol Buffer :

3.1。模型配置

model_config_list {
  config {
    name: 'model_1'
    base_path: 's3://your_bucket_name/models/model_1/'
      model_platform: "tensorflow"
  },
  config {
    ...
  },
  config {
    ...
  }
}

3.2。 batching_parameters.txt(可选)

此文件定义了 TensorFlow Serving 的指南；引导它在服务器中处理批处理的方式。

    max_batch_size { value: 1024 }
    batch_timeout_micros { value: 100 }
    num_batch_threads { value: 4 }
    pad_variable_length_inputs: true

3.3。 monitoring_config.txt(可选)

此文件通过下面定义的端点提供各种统计信息。

prometheus_config {
  enable: true,
  path: "/monitoring/metrics"
}