基于 KubeVela 的机器学习实践-六虎

作者：KubeVela 社区

在机器学习浪潮迸发的当下，AI 工程师除了需求练习、调试自己的模型之外，还需求将模型进行布置上线，从而验证模型的作用（当然，有的时分，这部分工作由 AI 体系工程师来完结）。这一部分工作关于 AI 工程师们来说是繁琐、且消耗额定精力的。

而在云原生时代，咱们的模型练习和模型服务也一般在云上进行。这样做不仅提高了可扩展性，还能够提高资源的利用率。这关于需求消耗很多计算资源的机器学习场景来说，是非常有效的。

但是 AI 工程师要想运用云原生的能力一般比较困难。随着时刻的推移，云原生的概念已经越来越杂乱。想要在云原生之上布置一个简略的模型服务，或许关于 AI 工程师来说，需求额定学习数种概念：比如 Deployment、Service、Ingress 等。

而 KubeVela 作为一个简略、易用、且高可扩展的云原生运用管理工具，能让开发人员方便快捷地在 Kubernetes 上定义与交给运用，无需了解任何底层云原生基础设施相关的细节。KubeVela 拥有着丰富的可扩展性，其 AI 插件供给了模型练习、模型服务、A/B 测验等功用，覆盖了 AI 工程师的基本需求，能够协助 AI 工程师快速在云原生环境中进行模型练习和模型服务。

本文主要介绍如何运用 KubeVela 的 AI 插件，来协助工程师更便捷地完结模型练习及模型服务。

KubeVelaAI 插件

KubeVela AI 插件分为模型练习和模型服务两个插件，模型练习插件根据 KubeFlow 的 training-operator，能够支撑如 TensorFlow、PyTorch、MXNet 等不同结构的分布式模型练习。而模型服务插件根据 Seldon Core，能够便捷地运用模型发动模型服务，一起也支撑流量分发，A/B 测验等高档功用。

经过 KubeVela AI 插件，能够大大简化模型练习任务的布置以及模型服务的布置，一起，能够将模型练习、模型服务等过程与 KubeVela 本身的工作流、多集群等功用相结合，从而完结生产可用的服务布置。

注：你能够在KubeVela Samples [1] 中找到一切的源码和 YAML 文件。如果你想运用在这个比如中预练习的模型，文件夹中的style-model.yaml和color-model.yaml会将模型复制到 PVC 中。

模型练习

首先发动模型练习和模型服务的两个插件。

vela addon enable model-training
vela addon enable model-serving

模型练习中包括model-training和jupyter-notebook两个组件类型，模型服务中包括model-serving这个组件类型。能够经过vela show指令来检查这三个组件中的详细参数。

你也能够挑选查阅KubeVela AI 插件文档 [2] , 来获取更多信息。

vela show model-training
vela show jupyter-notebook
vela show model-serving

咱们来练习一个简略的运用 TensorFlow 结构的模型，这个模型的作用是能够将灰色的图片变成五颜六色的。布置如下 YAML 文件：

注：模型练习的源码来源于：emilwallner/Coloring-greyscale-images [3]

apiVersion: core.oam.dev/v1beta1
kind: Application
metadata:
  name: training-serving
  namespace: default
spec:
  components:
  # 练习模型
  - name: demo-training
    type: model-training
    properties:
      # 练习模型的镜像
      image: fogdong/train-color:v1
      # 模型练习的结构
      framework: tensorflow
      # 声明存储，将模型耐久化。此处会运用集群内的默许 storage class 来创立 PVC
      storage:
        - name: "my-pvc"
          mountPath: "/model"

此刻， KubeVela 将拉起一个TFJob进行模型练习。

仅仅是练习模型很难看出作用，咱们修正一下这个 YAML 文件，将模型服务放到模型练习的过程之后。一起，由于模型服务会直接发动模型，而模型的输入输出不太直观（ndarray 或者 Tensor），因此，咱们再布置一个测验服务来调用服务，并将成果转换成图画。

布置如下 YAML 文件：

apiVersion: core.oam.dev/v1beta1
kind: Application
metadata:
  name: training-serving
  namespace: default
spec:
  components:
  # 练习模型
  - name: demo-training
    type: model-training
    properties:
      image: fogdong/train-color:v1
      framework: tensorflow
      storage:
        - name: "my-pvc"
          mountPath: "/model"
  # 发动模型服务
  - name: demo-serving
    type: model-serving
    # 模型服务会在模型练习完结后发动
    dependsOn:
      - demo-training
    properties:
      # 发动模型服务运用的协议，能够不填，默许运用 seldon 自身的协议
      protocol: tensorflow
      predictors:
        - name: model
          # 模型服务的副本数
          replicas: 1
          graph:
            # 模型名
            name: my-model
            # 模型结构
            implementation: tensorflow
            # 模型地址，上一步会将练习完的模型保存到 my-pvc 这个 pvc 傍边，所以经过 pvc://my-pvc 指定模型的地址
            modelUri: pvc://my-pvc
  # 测验模型服务
  - name: demo-rest-serving
    type: webservice
    # 测验服务会在模型练习完结后发动
    dependsOn:
      - demo-serving
    properties:
      image: fogdong/color-serving:v1
      # 运用 LoadBalancer 暴露对外地址，方便调用
      exposeType: LoadBalancer
      env:
        - name: URL
          # 模型服务的地址
          value: http://ambassador.vela-system.svc.cluster.local/seldon/default/demo-serving/v1/models/my-model:predict
      ports:
        # 测验服务的端口
        - port: 3333
          expose: true

布置之后，经过vela ls来检查运用的状况：

$ vela ls
training-serving        demo-training        model-training           running  healthy  Job Succeeded  2022-03-02 17:26:40 +0800 CST
├─                    demo-serving         model-serving            running  healthy  Available      2022-03-02 17:26:40 +0800 CST
└─                    demo-rest-serving    webservice               running  healthy  Ready:1/1      2022-03-02 17:26:40 +0800 CST

能够看到，运用已经正常发动。经过vela status –endpoint来检查运用的服务地址。

$ vela status training-serving --endpoint
+---------+-----------------------------------+---------------------------------------------------+
| CLUSTER |     REF(KIND/NAMESPACE/NAME)      |                     ENDPOINT                      |
+---------+-----------------------------------+---------------------------------------------------+
|         | Service/default/demo-rest-serving | tcp://47.251.10.177:3333                          |
|         | Service/vela-system/ambassador    | http://47.251.36.228/seldon/default/demo-serving  |
|         | Service/vela-system/ambassador    | https://47.251.36.228/seldon/default/demo-serving |
+---------+-----------------------------------+---------------------------------------------------+

该运用有三个服务地址，第一个是咱们的测验服务的地址，第二个和第三都是原生模型的地址。咱们能够调用测验服务来检查模型的作用：测验服务会读取图画的内容，并将其转成Tensor并恳求模型服务，最终将模型服务回来的Tensor转成图画回来。

咱们挑选一张是非的女性图片作为输入：

恳求后，能够看到，输出了一张五颜六色图片：

模型服务：灰度测验

除了直接发动模型服务，咱们还能够在一个模型服务中运用多个版别的模型，并对其分配不同的流量以进行灰度测验。

布置如下 YAML，能够看到，v1 版别的模型和 v2 版别的模型都设置为了 50% 的流量。相同，咱们在模型服务后边布置一个测验服务：

apiVersion: core.oam.dev/v1beta1
kind: Application
metadata:
  name: color-serving
  namespace: default
spec:
  components:
  - name: color-model-serving
    type: model-serving
    properties:
      protocol: tensorflow
      predictors:
        - name: model1
          replicas: 1
          # v1 版别的模型流量为 50
          traffic: 50
          graph:
            name: my-model
            implementation: tensorflow
            # 模型地址，在 color-model 这个 pvc 中 /model/v1 路径下存放了咱们的 v1 版别模型，所以经过 pvc://color-model/model/v1 指定模型的地址
            modelUri: pvc://color-model/model/v1
        - name: model2
          replicas: 1
          # v2 版别的模型流量为 50
          traffic: 50
          graph:
            name: my-model
            implementation: tensorflow
            # 模型地址，在 color-model 这个 pvc 中 /model/v2 路径下存放了咱们的 v2 版别模型，所以经过 pvc://color-model/model/v2 指定模型的地址
            modelUri: pvc://color-model/model/v2
  - name: color-rest-serving
    type: webservice
    dependsOn:
      - color-model-serving
    properties:
      image: fogdong/color-serving:v1
      exposeType: LoadBalancer
      env:
        - name: URL
          value: http://ambassador.vela-system.svc.cluster.local/seldon/default/color-model-serving/v1/models/my-model:predict
      ports:
        - port: 3333
          expose: true

当模型布置完结后，经过vela status –endpoint检查模型服务的地址：

$ vela status color-serving --endpoint
+---------+------------------------------------+----------------------------------------------------------+
| CLUSTER |      REF(KIND/NAMESPACE/NAME)      |                         ENDPOINT                         |
+---------+------------------------------------+----------------------------------------------------------+
|         | Service/vela-system/ambassador     | http://47.251.36.228/seldon/default/color-model-serving  |
|         | Service/vela-system/ambassador     | https://47.251.36.228/seldon/default/color-model-serving |
|         | Service/default/color-rest-serving | tcp://47.89.194.94:3333                                  |
+---------+------------------------------------+----------------------------------------------------------+

运用一张是非的城市图片恳求模型：

能够看到，第一次恳求的成果如下。尽管天空和地上都被渲染成五颜六色了，但是城市本身仍是是非的：

再次恳求，能够看到，这次恳求的成果中，天空、地上和城市都被渲染成了五颜六色：

经过对不同版别的模型进行流量分发，能够协助咱们更好地对模型成果进行判断。

模型服务：A/B 测验

相同一张是非的图片，咱们既能够经过模型将其变成五颜六色的，也能够经过上传另一张风格图片，对原图进行风格搬迁。

关于用户来说，究竟是五颜六色的图片好仍是不同风格的图片更胜一筹？咱们能够经过进行 A/B 测验，来探索这个问题。

布置如下 YAML，经过设置customRouting，将Header中带有style: transfer的恳求，转发到风格搬迁的模型。一起，使这个风格搬迁的模型与五颜六色化的模型共用一个地址。

注：风格搬迁的模型来源于TensorFlow Hub [4]

apiVersion: core.oam.dev/v1beta1
kind: Application
metadata:
  name: color-style-ab-serving
  namespace: default
spec:
  components:
  - name: color-ab-serving
    type: model-serving
    properties:
      protocol: tensorflow
      predictors:
        - name: model1
          replicas: 1
          graph:
            name: my-model
            implementation: tensorflow
            modelUri: pvc://color-model/model/v2
  - name: style-ab-serving
    type: model-serving
    properties:
      protocol: tensorflow
      # 风格搬迁的模型需求的时刻较长，设置超时时刻使恳求不会被超时
      timeout: "10000"
      customRouting:
        # 指定自定义 Header
        header: "style: transfer"
        # 指定自定义路由
        serviceName: "color-ab-serving"
      predictors:
        - name: model2
          replicas: 1
          graph:
            name: my-model
            implementation: tensorflow
            modelUri: pvc://style-model/model
  - name: ab-rest-serving
    type: webservice
    dependsOn:
      - color-ab-serving
      - style-ab-serving
    properties:
      image: fogdong/style-serving:v1
      exposeType: LoadBalancer
      env:
        - name: URL
          value: http://ambassador.vela-system.svc.cluster.local/seldon/default/color-ab-serving/v1/models/my-model:predict
      ports:
        - port: 3333
          expose: true

布置成功后，经过vela status –endpoint检查模型服务的地址：

$ vela status color-style-ab-serving --endpoint
+---------+---------------------------------+-------------------------------------------------------+
| CLUSTER |    REF(KIND/NAMESPACE/NAME)     |                       ENDPOINT                        |
+---------+---------------------------------+-------------------------------------------------------+
|         | Service/vela-system/ambassador  | http://47.251.36.228/seldon/default/color-ab-serving  |
|         | Service/vela-system/ambassador  | https://47.251.36.228/seldon/default/color-ab-serving |
|         | Service/vela-system/ambassador  | http://47.251.36.228/seldon/default/style-ab-serving  |
|         | Service/vela-system/ambassador  | https://47.251.36.228/seldon/default/style-ab-serving |
|         | Service/default/ab-rest-serving | tcp://47.251.5.97:3333                                |
+---------+---------------------------------+-------------------------------------------------------+

这个运用中，两个服务各自有两个地址，但是第二个style-ab-serving的模型服务地址是无效的，由于这个模型服务已经被指向了color-ab-serving的地址中。相同，咱们经过恳求测验服务来检查模型作用。

首先，在不加 header 的情况下，图画会从是非变为五颜六色：

咱们增加一个波浪的图片作为风格渲染：

咱们为本次恳求加上style: transfer的 Header，能够看到，城市变成了波浪风格：

咱们还能够运用一张水墨画的图片作为风格渲染：

能够看到，这次城市变成了水墨画风格：

总结

经过 KubeVela 的 AI 插件，能够协助你更便捷地进行模型练习与模型服务。

除此之外，经过与 KubeVela 的结合，咱们还能将测验完作用的模型经过 KubeVela 的多环境功用，下发到不同的环境中，从而实现模型的灵活布置。

近期抢手

您能够经过如下资料了解更多关于KubeVela以及OAM项目的细节：

项目代码库：github.com/oam-dev/kubevela欢迎Star/Watch/Fork！
项目官方主页与文档：kubevela.io，从1.1版别开始，已供给中文、英文文档，更多言语文档欢迎开发者进行翻译。
项目钉钉群：23310022；Slack：CNCF#kubevelaChannel
加入微信群：请先增加以下maintainer微信号，标明进入KubeVela用户群：

点击“此处”，检查KubeVela项目官网。

基于 KubeVela 的机器学习实践

KubeVelaAI 插件

模型练习

模型服务：灰度测验

模型服务：A/B 测验

总结

相关链接

近期抢手

作者信息

推广

基于 KubeVela 的机器学习实践

KubeVelaAI 插件

模型练习

模型服务：灰度测验

模型服务：A/B 测验

总结

相关链接

近期抢手

相关文章

Android 原生 Picture in Picture 画中画功能避坑指南

Git合并策略选项及示例

开发提效小技巧分享（一）

从零开始的知识图谱生活，构建一个百科知识图谱，完成基于Deepdive的知识抽取、基于ES的简单语义搜索、基于 REfO 的简单KBQA

作者信息

推广