使用无服务器模板部署机器学习模型

在设计和训练机器学习模型后，数据科学家会部署这些模型，以便应用程序可以使用。Amazon Lambda是一项让您在运行代码时无需预置或管理服务器的计算服务。Lambda的按请求付费、自动扩展和易用性使其成为数据科学团队的热门部署选择。

数据科学家可以使用更少的代码就能将模型转变为由Lambda支持的经济高效且可扩展的 API 终端节点。Lambda支持容器镜像、Advanced Vector Extensions 2（AVX2）和具有高达10 GB内存的函数。使用这些函数，数据科学团队可以部署更大、更强的模型并提高性能。

要部署基于Lambda的应用程序，无服务器开发人员可以使用Amazon Serverless Application Model(Amazon SAM)。Amazon SAM基于模板创建和管理无服务器应用程序。它支持本地测试，旨在实现最佳实践，并可与流行的开发工具集成。它允许数据科学家使用YAML定义无服务器应用程序、安全权限和高级配置功能。

Amazon SAM包含可让开发人员快速入门的预构建模板。本博客展示了如何使用机器学习模板部署基于Scikit-Learn的模型，该模型可以分类从0到9的手写数字图像。部署到Lambda后，您可以通过一个REST API访问模型。

示例会在亚马逊云科技账户中创建会产生成本的资源。为了最大限度地降低成本，请在完成示例内容后按照最后的清理部分说明删除资源。

概览

Amazon SAM机器学习模板可用于Scikit-Learn、PyTorch、TensorFlow和 XGBoost框架。每个模板都部署一个Lambda函数来管理Amazon API Gateway网管后面的模型，该网关作为前端并处理身份验证。下图显示了这个解决方案的架构：

机器学习推理的无服务器架构（图中AWS需要修改为Amazon）

创建容器化Lambda函数

本节将使用Amazon SAM在Lambda上构建、测试和部署包含预先训练的数字分类器模型的Docker镜像：

- 更新或安装Amazon SAM，使用机器学习模板需要Amazon SAM CLI v1.24.1或更高版本。
- 在终端中，使用以下命令在Amazon SAM中创建新的无服务器应用程序：
  sam init
- 按照屏幕上的提示，选择Amazon快速入门模板作为模板来源。

SAM：选择模板来源

- 选择镜像作为打包类型。

SAM：选择封装类型

- 选择amazon/python3.8-base作为基础镜像。

SAM：选择运行时镜像

- 出现提示时，输入应用程序名称。Amazon SAM使用它对其创建的资源进行分组和打标签。

SAM：选择运行时镜像

- 从模板列表中选择所需的机器学习框架，本示例使用 Scikit-Learn 模板。

SAM：选择应用程序模板

- Amazon SAM使用您的应用程序名称创建一个目录，切换到新目录并运行Amazon SAM生成命令：
  sam build

SAM：构建结果

由Amazon SAM生成的文件

选择模板后，Amazon SAM将在应用程序目录中生成以下文件：

Dockerfile：该应用程序使用Lambda提供的Python 3.8基础镜像。它已经安装了相关的依赖项并为Lambda执行环境定义了CMD变量以初始化处理程序。

FROM public.ecr.aws/lambda/python:3.8

COPY app.py requirements.txt ./

COPY digit_classifier.joblib /opt/ml/model/1

RUN python3.8 -m pip install -r requirements.txt -t .

CMD ["app.lambda_handler"]

app.py：这段Python代码在调用Lambda处理程序后运行，并会从Scikit-Learn模型中生成预测结果。通过在lambda_handler之外加载模型，可在多个Lambda调用中重复使用该模型。

import joblib
import base64
import numpy as np
import json

from io import BytesIO
from PIL import Image
from scipy.ndimage import interpolation

model_file = '/opt/ml/model'
model = joblib.load(model_file)
# Functions to pre-process images (we used same preprocessing when training)

def moments(image):
    c0, c1 = np.mgrid[:image.shape[0], :image.shape[1]]
    img_sum = np.sum(image)
    
    m0 = np.sum(c0 * image) / img_sum
    m1 = np.sum(c1 * image) / img_sum
    m00 = np.sum((c0-m0)**2 * image) / img_sum
    m11 = np.sum((c1-m1)**2 * image) / img_sum
    m01 = np.sum((c0-m0) * (c1-m1) * image) / img_sum
    
    mu_vector = np.array([m0,m1])
    covariance_matrix = np.array([[m00, m01],[m01, m11]])
    
    return mu_vector, covariance_matrix

def deskew(image):
    c, v = moments(image)
    alpha = v[0,1] / v[0,0]
    affine = np.array([[1,0], [alpha,1]])
    ocenter = np.array(image.shape) / 2.0
    offset = c - np.dot(affine, ocenter)
    return interpolation.affine_transform(image, affine, offset=offset)

def get_np_image(image_bytes):
    image = Image.open(BytesIO(base64.b64decode(image_bytes))).convert(mode='L')
    image = image.resize((28, 28))
    return np.array(image)

# Lambda handler code

def lambda_handler(event, context):
    image_bytes = event['body'].encode('utf-8')
    x = deskew(get_np_image(image_bytes))
    prediction = int(model.predict(x.reshape(1, -1))[0])
    return {
        'statusCode': 200,
        'body': json.dumps(
            {
                "predicted_label": prediction,
            }
        )
    }

完成这些步骤后，目录结构如下所示：

文件结构

测试Amazon SAM模板

对于基于容器镜像的Lambda函数，sam build会在本地Docker存储库中创建和更新容器镜像。它将模板复制到输出目录并更新新建镜像的位置。

您可以在.aws-sam目录下看到以下顶层目录树结构：

SAM构建构件目录结构

构建Docker镜像后，使用Amazon SAM的本地测试功能测试终端节点。有两种方法可以在本地测试应用程序：

- 本地调用 — 事件使用event.json中的模拟数据来调用函数并生成预测。手写数字的图像被编码为event.json文件中body属性中的base64字符串。使用event.json模拟数据进行测试：
  sam local invoke InferenceFunction --event events/event.json

SAM本地调用结果

- 通过start-api命令启动一个模拟REST API终端节点的本地终端节点。它会下载一个在本地运行API Gateway和Lambda函数的执行容器。使用API Gateway模拟器调用：
  sam local start-api

SAM本地start-api监控

要测试本地端点，请使用Postman等REST API客户端向/classify_digit终端节点发送POST请求。

用Postman进行测试

在本地测试时，请使用小于100 KB的图像。如果文件较大，请求会失败并显示状态代码502，错误信息为“argument list too long”（参数列表过长）。但是在部署到Lambda之后，您可以使用更大的图像。

部署应用程序到Lambda

在本地测试模型后，使用Amazon SAM引导式部署流程打包和部署应用程序：

要基于容器镜像部署Lambda函数，必须将容器镜像推送到Amazon Elastic Container Registry（ECR）。运行以下命令以检索身份验证令牌并使用ECR注册表对Docker客户端进行身份验证。将region和accountID占位符替换为您的区域和亚马逊云科技账户ID：
aws --region <region> ecr get-login-password | docker login --username AWS --password-stdin <accountID>.dkr.ecr.<region>.amazonaws.com

登录成功

使用Amazon CLI创建一个名为classifier-demo的ECR存储库：

aws ecr create-repository \

--repository-name classifier-demo \

--image-tag-mutability MUTABLE \

--image-scanning-configuration scanOnPush=true

创建ECR存储库结果

从输出中复制repositoryUri，我们在下一步中将会用到。使用deploy命令启动Amazon SAM引导式部署：
sam deploy --guided
按照屏幕上的提示进行操作。要接受互动体验中提供的默认选项，请按Enter键。当系统提示输入ECR存储库时，请使用在上一步中创建的Amazon ECR存储库。

CloudFormation更改集验证截图
CloudFormation输出

Amazon SAM将应用程序打包并部署为带有版本控制的实体。部署后，生产API终端节点就可以使用了。该模板会生成多个输出，在“Outputs”部分的“HelloWorldAPI”键中可以找到终端节点的URL。

找到URL后，使用REST客户端测试实时终端节点：

用Postman进行测试

优化性能

部署Lambda函数后，您可以针对延迟和成本进行优化。为此，请调整函数的内存分配设置，这也会线性更改分配的vCPU（要了解更多信息，请阅读亚马逊云科技新闻博客）。

数字分类器模型使用5 GB内存（约3个vCPU）进行了优化。超过5 GB的任何收益都相对较小。每个模型对vCPU和内存的变化的响应不同，因此最佳做法是通过实验来确定这一点。这部分有开源工具可用于自动调整性能。

可以通过编译源代码以利用AVX2指令进行进一步优化。AVX2允许Lambda在每个时钟周期运行更多操作，从而减少了模型生成预测所需的时间。

清理

上述示例创建了Lambda函数、API Gateway终端节点和ECR存储库。这些资源会产生费用，因此建议清理资源以避免产生额外的成本。要删除ECR存储库，请运行：

aws ecr delete-repository --registry-id <account-id> --repository-name classifier-demo --force

要删除剩余资源，请导航到亚马逊云科技管理控制台中的Amazon CloudFormation，然后选择用于示例的区域。选择Amazon SAM创建的堆栈（默认为“sam-app”），然后选择Delete（删除）。

结论

对于数据科学家来说，要部署基于CPU的机器学习模型进行推理，Lambda是一种经济高效、可扩展且可靠的方式。凭借对更大的函数大小、AVX2指令集和容器镜像的支持，Lambda现在可以部署更复杂的模型，同时保持低延迟。

欢迎使用Amazon SAM中新的机器学习模板，在数分钟内部署您的第一个无服务器机器学习应用程序吧。我们期待看到您在Lambda上构建的激动人心的机器学习应用程序。

有关更多无服务器学习资源，请访问Serverless Land。

亚马逊AWS官方博客