pytorch argmax_PyTorch深度学习模型的服务化部署

本文将介绍如何使用Flask搭建一个基于PyTorch的图片分类服务以及并行处理的相关技术。作为一个深度学习工程师，学习这些内容是为了方便对服务化的模型进行debug，因为web开发的同时常常表示他们很难定位到深度学习服务的bug的位置。

1. 环境

系统：Ubuntu 18.04

Python版本：3.7

依赖Python包： 1. PyTorch==1.3 2. Flask==0.12 3. Gunicorn

需要注意的是Flask 0.12中默认的单进程单线程，而最新的1.0.2则不是（具体是多线程还是多进程尚待考证），而中文博客里面能查到的资料基本都在说Flask默认单进程单线程。

依赖工具 1. nginx 2. apache2-utils

nginx 用于代理转发和负载均衡 apache2-utils用于测试接口

2. 搭建异步服务

对于做算法的读者，不着急搭建深度学习模型，因为算法工程师普遍对web开发不太熟悉，可以先搭建一个最简单的web服务，并验证其功能无误之后再加入深度学习模型。

2.1 Flask搭建图片上传服务

因为图片分类服务需要从本地上传图片，可以先搭建一个用于图片上传的服务

# sim_server.py
from flask import Flask, request
from werkzeug.utils import secure_filename
import uuid
from PIL import Image
import os
import timeapp = Flask(__name__)@app.route("/run",methods = ["GET"])
def run():# 用于测试服务是否并行time.sleep(1)return "0"if __name__ == "__main__":app.run(host="0.0.0.0",port=5555,debug=True)

启动服务：

python sim_server.py

此时可以使用apache-utils测试接口是否是异步运行

ab -c 2 -n 10 http://localhost:5555/run

得到一长串结果，其中有一行是：

Requests per second: 1.00 [#/sec] (mean)

这行显示的是服务每秒钟能处理几个请求，如果是单进程单线程的话，每秒钟只能处理一个请求，服务的处理能力会随着进程数的增加而增加，但是由于计算机性能限制，增加进程数带来的处理能力提升会越来越小。

2.2 使用gunicorn启动多个进程

使用gunicorn可以快速启动多个进程：

gunicorn -w 4 -b 0.0.0.0:5555 sim_server:app

输出如下内容代表服务创建成功：

[2020-02-11 14:50:24 +0800] [892] [INFO] Starting gunicorn 20.0.4
[2020-02-11 14:50:24 +0800] [892] [INFO] Listening at: http://0.0.0.0:5555 (892)
[2020-02-11 14:50:24 +0800] [892] [INFO] Using worker: sync
[2020-02-11 14:50:24 +0800] [895] [INFO] Booting worker with pid: 895
[2020-02-11 14:50:24 +0800] [896] [INFO] Booting worker with pid: 896
[2020-02-11 14:50:24 +0800] [898] [INFO] Booting worker with pid: 898
[2020-02-11 14:50:24 +0800] [899] [INFO] Booting worker with pid: 899

再次使用apache-utils进行测试，可以看到处理能力的提升：

ab -c 4 -n 10 http://localhost:5555/run

得到处理能力：Requests per second: 3.33 [#/sec] (mean)

可以看到，开启四个进程之后，服务的处理能力并没有达到4requests/second。

如果配置比较复杂，也可以将配置写入一个文件中，如：

bind = '0.0.0.0:5555'
timeout = 10
workers = 4

然后运行：

gunicorn -c gunicorn.conf sim_server:app

3. nginx代理

安装好nginx之后，修改nginx的配置文件

worker_processes auto;
error_log /var/log/nginx/error.log;
pid /run/nginx.pid;
# Load dynamic modules. See /usr/share/nginx/README.dynamic.
include /usr/share/nginx/modules/*.conf;events {worker_connections 1024;
}http {server{listen 5556; # nginx端口server_name localhost;location / {proxy_pass http://localhost:5555/run; # gunicorn的url}}
}

然后按配置文件启动

sudo nginx -c nginx.conf

启动之后就可以在新的地址上访问了：

ab -c 4 -n 10 http://localhost:5556/run

3. 将PyTorch分类模型接入服务

from flask import Flask, request
from werkzeug.utils import secure_filename
import uuid
from PIL import Image
import os
import time
import base64
import jsonimport torch
from torchvision.models import resnet18
from torchvision.transforms import ToTensorfrom keys import keyapp = Flask(__name__)
net = resnet18(pretrained=True)
net.eval()@app.route("/",methods=["GET"])
def show():return "classifier api"@app.route("/run",methods = ["GET","POST"])
def run():file = request.files['file']base_path = os.path.dirname(__file__)if not os.path.exists(os.path.join(base_path, "temp")):os.makedirs(os.path.join(base_path, "temp"))file_name = uuid.uuid4().hexupload_path = os.path.join(base_path, "temp", file_name)file.save(upload_path)img = Image.open(upload_path)img_tensor = ToTensor()(img).unsqueeze(0)out = net(img_tensor)pred = torch.argmax(out,dim = 1)return "result : {}".format(key[pred])if __name__ == "__main__":app.run(host="0.0.0.0",port=5555,debug=True)

4. 并发测试

使用apache2-utils进行上传图片的post请求方法参考：

https://gist.github.com/chiller/dec373004894e9c9bb38ac647c7ccfa8

严格参照，注意一个标点，一个符号都不要错。
使用这种方法传输图片的base64编码，在服务端不需要解码也能使用

然后使用下面的方式访问

gunicorn 接口

ab -n 2 -c 2 -T "multipart/form-data; boundary=1234567890" -p turtle.txt http://localhost:5555/run

nginx 接口

ab -n 2 -c 2 -T "multipart/form-data; boundary=1234567890" -p turtle.txt http://localhost:5556/run

有了gunicorn和nginx就可以轻松地实现PyTorch模型的多机多卡部署了。

最后，对pytorch和模型部署感兴趣的话，来交个朋友吧，群号：747537854