TensorFlow已经发展成为事实上的ML(机器学习)平台，在业界和研究领域都很流行。对TensorFlow的需求和支持促成了一系列围绕培训和服务ML模型的OSS库、工具和框架。TensorFlow Serving是一个构建在分布式生产环境中、主要为ML模型提供推理服务的项目。

Mux在其基础设施的几个部分中使用TensorFlow Serving，我们之前已经讨论过使用TensorFlow来实现按标题编码(per-title-encoding)功能。今天，我们将重点关注通过优化预测服务器和客户端来改善延迟的技术。模型预测通常是“在线”操作(在关键的应用请求路径上)，因此我们的主要优化目标是以尽可能低的延迟处理大量的请求。

首先，让我们简要介绍一下TensorFlow Serving。

什么是TensorFlow Serving？

TensorFlow Serving提供了灵活的服务器架构，旨在部署和服务ML模型。一旦模型经过训练并可以用于预测，TensorFlow Serving需要将模型导出到可服务类（Servable）兼容格式。

Servable是包装TensorFlow对象的中心抽象。例如，模型可以表示为一个或多个Servable。因此，Servable是客户端用于执行计算(如推理)的底层对象。Servable的大小很重要，由于较小的模型使用更少的内存、更少的存储，因此将有更快的加载时间（加载时间更短）。Servable要求模型以SavedModel格式加载，并使用PerdictAPI提供服务。

TensorFlow Serving将核心服务组件组合在一起，构建一个GRPC/HTTP服务器。该服务器可以服务多个ML模型(或多个版本)，并提供监测组件和可配置的体系结构。

Tensorflow Serving and Docker

让我们使用标准的TensorFlow Serving获得基线预测性能延迟指标(未使用CPU优化)。

首先，从TensorFlow Docker hub提取最新的服务映像文件：

docker pull tensorflow/serving:latest 

在这篇文章中，所有的容器都运行在一个4核、15 GB、Ubuntu 16.04主机上。

将TensorFlow模型导出到SavedModel格式

使用TensorFlow训练模型时，可以将输出保存为可变检查点(磁盘上的文件)。推理可以通过恢复模型检查点或在其转换的静态图(二进制)上直接运行。

为了使用TensorFlow服务这些模型，必须静态图导出到SavedModel格式。TensorFlow文档可查询以SavedModel格式导出预训练模型的示例。

TensorFlow还提供了一系列官方和研究模型作为实验、研究或生产的入门资料。

例如，我们将使用深残余网络(ResNet)模型，可用于对ImageNet的1000个类的数据集进行分类。下载预训练 ResNet-50 v2模型，特别是 channels_last (NHWC)卷积SavedModel，这对于CPU来说通常更好。

在以下结构中复制RestNet模型目录：

models/  1/ saved_model.pb variables/ variables.data-00000-of-00001 variables.index

TensorFlow Serving按数字排序的目录结构管理模型版本。在本例中，目录1/对应于模型版本1，其中包含模型体系结构。saved_model.pb以及模型权重(变量)的快照。

加载和服务SavedModel

下面的命令在docker容器中启动一个TensorFlow模型服务器。为了加载SavedModel，需要将模型的主机目录mount到预期的容器目录中。

docker run -d -p 9000:8500 \  -v $(pwd)/models:/models/resnet -e MODEL_NAME=resnet \ -t tensorflow/serving:latest

检查容器日志，确定ModelServer正在运行并可以在GRPC和HTTP端点上为resnet模型提供服务：

I tensorflow_serving/core/loader_harness.cc:86] Successfully loaded servable version {name: resnet version: 1} I tensorflow_serving/model_servers/server.cc:286] Running gRPC ModelServer at 0.0.0.0:8500 ... I tensorflow_serving/model_servers/server.cc:302] Exporting HTTP/REST API at:localhost:8501 ... 

推理客户端

TensorFlow将API服务模式定义为协议缓冲器(protobuf)。预测API的gRPC客户端用例会被打包为tensorflow_serving.apis Python包。考虑到实用功能，我们还需要tensorflow Python包。

让我们安装倚赖项（dependencies）创建一个简单的客户端：

virtualenv .env && source .env/bin/activate && \ pip install numpy grpcio opencv-python tensorflow tensorflow-serving-api 

ResNet-50 v2模型要求浮点Tensor输入应采用Channel_last(NHWC)格式的数据结构。因此，输入图像是使用OpenCV-python读取的，它以32位浮点数据类型加载到numpy数组(高度x宽度x通道)中。下面的脚本创建预测客户端存根，并将JPEG图像数据加载到numpy数组中，然后转换为TensorProto以发出GRPC预测请求：

#!/usr/bin/env pythonfrom __future__ import print_functionimport argparseimport numpy as npimport timett = time.time()import cv2import tensorflow as tffrom grpc.beta import implementationsfrom tensorflow_serving.apis import predict_pb2from tensorflow_serving.apis import prediction_service_pb2parser = argparse.ArgumentParser(description='incetion grpc client flags.')parser.add_argument('--host', default='0.0.0.0', help='inception serving host')parser.add_argument('--port', default='9000', help='inception serving port')parser.add_argument('--image', default='', help='path to JPEG image file')FLAGS = parser.parse_args()def main():  # create prediction service client stub channel = implementations.insecure_channel(FLAGS.host, int(FLAGS.port)) stub = prediction_service_pb2.beta_create_PredictionService_stub(channel) # create request request = predict_pb2.PredictRequest() request.model_spec.name = 'resnet' request.model_spec.signature_name = 'serving_default' # read image into numpy array img = cv2.imread(FLAGS.image).astype(np.float32) # convert to tensor proto and make request # shape is in NHWC (num_samples x height x width x channels) format tensor = tf.contrib.util.make_tensor_proto(img, shape=[1]+list(img.shape)) request.inputs['input'].CopyFrom(tensor) resp = stub.Predict(request, 30.0) print('total time: {}s'.format(time.time() - tt))if __name__ == '__main__': main()

使用JPEG图像作为输入，运行客户端的输出如下所示：

python tf_serving_client.py --image=images/pupper.jpg total time: 2.56152906418s 

输出Tensor的预测结果为一个整数值和各特征的概率。

outputs {  key: "classes" value { dtype: DT_INT64 tensor_shape { dim { size: 1 } } int64_val: 238 }}outputs {  key: "probabilities"...

对于单个请求，这种预测延迟是不可接受的。然而，这并非完全出乎意料；默认的TensorFlow二进制程序的目标是支持最广泛的硬件以覆盖绝大多数用例。您可能已经从标准的TensorFlow容器日志中注意到：

I external/org_tensorflow/tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA 

这表明TensorFlow二进制程序运行在不兼容的CPU平台上，而该平台没有为其进行优化。

构建CPU优化服务二进制代码

根据 TensorFlow文献资料，建议从源代码编译TensorFlow，并采用运行二进制文件的主机平台的CPU提供的所有优化。TensorFlow给出了Build选项标志，以便为特定于平台的CPU指令集构建二进制代码：

克隆TensorFlow固定到特定版本。在这种情况下，我们将使用1.13(发表此文时的最新版本)：

USER=$1 TAG=$2 TF_SERVING_VERSION_GIT_BRANCH="r1.13" git clone --branch="$TF_SERVING_VERSION_GIT_BRANCH"  

TensorFlow Serving映像使用Bazel作为Build工具。针对特定处理器CPU指令集的生成目标可以用如下方式指定：

TF_SERVING_BUILD_OPTIONS="--copt=-mavx --copt=-mavx2 --copt=-mfma --copt=-msse4.1 --copt=-msse4.2" 

如果内存有限制，则使用--local_resources=2048,.5,1.0标志。参考TensorFlow与Docker联合服务和Bazel docs的文献作为这些构建标志上的资源。

使用开发图像建立serving image作为服务基类：

#!/bin/bashUSER=$1TAG=$2TF_SERVING_VERSION_GIT_BRANCH="r1.13"git clone --branch="${TF_SERVING_VERSION_GIT_BRANCH}" "--copt=-mavx --copt=-mavx2 --copt=-mfma --copt=-msse4.1 --copt=-msse4.2"cd serving && \ docker build --pull -t $USER/tensorflow-serving-devel:$TAG \ --build-arg TF_SERVING_VERSION_GIT_BRANCH="${TF_SERVING_VERSION_GIT_BRANCH}" \ --build-arg TF_SERVING_BUILD_OPTIONS="${TF_SERVING_BUILD_OPTIONS}" \ -f tensorflow_serving/tools/docker/Dockerfile.devel .cd serving && \ docker build -t $USER/tensorflow-serving:$TAG \ --build-arg TF_SERVING_BUILD_IMAGE=$USER/tensorflow-serving-devel:$TAG \ -f tensorflow_serving/tools/docker/Dockerfile .

ModelServer可以用TensorFlow专用标志配置以启用会话并行性。以下选项配置两个线程池并行执行：

intra_op_parallelism_threads

inter_op_parallelism_threads

这两个选项的默认值设置为0。这意味着，系统选择一个适当的数字，这通常需要每个CPU核心有一个线程可用。但是，对于多核CPU并行性，我们可以手动控制。

接下来，按照与之前类似的方式启动服务容器，这一次使用从源代码编译的docker映像，并使用TensorFlow特定的CPU优化标志：

docker run -d -p 9000:8500 \  -v $(pwd)/models:/models/resnet -e MODEL_NAME=resnet \ -t $USER/tensorflow-serving:$TAG \ --tensorflow_intra_op_parallelism=4 \ --tensorflow_inter_op_parallelism=4

容器日志应该不显示CPU guard告警。在不更改任何代码的情况下，运行相同的预测请求会使预测延迟降低约35.8%：

python tf_serving_client.py --image=images/pupper.jpg total time: 1.64234706879s 

提高预测客户端的速度

我们能做得更好吗？服务器端已经为其CPU平台进行了优化，但超过1s的预测延迟似乎仍然太高。

问题是，加载tensorflow_serving和tensorflow库确实会导致这个问题。每次调用tf.contrib.util.make_tensor_proto同时也增加了不必要的延迟开销。

“等等”，你可能在想。“难道我不需要TensorFlow Python包向TensorFlow Server提出预测请求吗？”

答案很简单：确实如此，实际上不需要tensorflow或tensorflow_serving包发出预测请求。

如前所述，TensorFlow预测API被定义为Protobufs。因此，可以通过生成必要的tensorflow和tensorflow_serving protobuf python 存根（stubs）。这就避免了对客户机本身整个(巨大)TensorFlow库的调用。

首先，舍弃tensorflow和tensorflow_serving依赖项，添加grpcio-tools包。

pip uninstall tensorflow tensorflow-serving-api && \  pip install grpcio-tools==1.0.0

复制tensorflow/tensorflow和tensorflow/serving存储库，并将以下Protobuf文件复制到客户端项目中：

tensorflow/serving/  tensorflow_serving/apis/model.proto tensorflow_serving/apis/predict.proto tensorflow_serving/apis/prediction_service.prototensorflow/tensorflow/  tensorflow/core/framework/resource_handle.proto tensorflow/core/framework/tensor_shape.proto tensorflow/core/framework/tensor.proto tensorflow/core/framework/types.proto

将上述原型文件复制到protos/目录并保存原始路径：

protos/  tensorflow_serving/ apis/ *.proto tensorflow/ core/ framework/ *.proto

为了简单起见，prediction_service.proto（预测服务）可以简化为只实现Predict RPC。这避免了引入服务中定义的其他RPC的嵌套依赖关系。这里是简化后的prediction_service.proto.

使用grpcio.tools.protoc:

PROTOC_OUT=protos/ PROTOS=$(find . | grep "\.proto$") for p in $PROTOS; do  python -m grpc.tools.protoc -I . --python_out=$PROTOC_OUT --grpc_python_out=$PROTOC_OUT $pdone 

现在可以删除整个tensorflow_serving模块：

from tensorflow_serving.apis import predict_pb2 from tensorflow_serving.apis import prediction_service_pb2 

中生成的Probufs替换为protos/tensorflow_serving/apis:

from protos.tensorflow_serving.apis import predict_pb2 from protos.tensorflow_serving.apis import prediction_service_pb2 

为了使用帮助函数make_tensor_proto，导入了TensorFlow库，也就是用于包装python/numpy对象成为TensorProto对象。

因此，我们可以替换以下依赖项和代码片段：

import tensorflow as tf ...tensor = tf.contrib.util.make_tensor_proto(features) request.inputs['inputs'].CopyFrom(tensor) 

导入Protobuf，构建TensorProto对象：

from protos.tensorflow.core.framework import tensor_pb2 from protos.tensorflow.core.framework import tensor_shape_pb2 from protos.tensorflow.core.framework import types_pb2 ...# ensure NHWC shape and build tensor prototensor_shape = [1]+list(img.shape) dims = [tensor_shape_pb2.TensorShapeProto.Dim(size=dim) for dim in tensor_shape] tensor_shape = tensor_shape_pb2.TensorShapeProto(dim=dims) tensor = tensor_pb2.TensorProto(  dtype=types_pb2.DT_FLOAT, tensor_shape=tensor_shape, float_val=list(img.reshape(-1)))request.inputs['inputs'].CopyFrom(tensor) 

完整的python脚本请访问这里。运行更新后的初始客户端，该客户端向优化的TensorFlow发出预测请求：

python tf_inception_grpc_client.py --image=images/pupper.jpg total time: 0.58314920859s 

下图显示了针对标准、优化的TensorFlow和客户端10次运行的预测请求的延迟：

显然，从标准TensorFlow到优化版的平均延迟下降了约70.4%。

优化预测吞吐量

TensorFlow Serving也可以配置为高吞吐量处理。对吞吐量的优化通常用于“脱机”批处理，在这些批处理中，不需要有严格的延迟阀值。

(1) 服务器端批处理

服务器端批处理由TensorFlow Serving支持开箱即用。.

延迟和吞吐量之间的权衡取决于所支持的批处理参数。TensorFlow批处理最有效地利用硬件加速器承诺（保证）的高吞吐量。

若要启用批处理，请设置--enable_batching和--batching_parameters_file标志。可以将批处理参数设置为SessionBundleConfig。对于只使用CPU的系统，请考虑设置num_batch_threads可以使用的核心数量。批处理配置方法可访问这里，使用支持GPU的系统。

当服务器端的批处理请求全部到达时，推理请求在内部合并为单个大请求(Tensor)，并在合并请求上运行一个TensorFlow会话。在单个会话上运行批量请求，可以真正利用CPU/GPU并行性。

批处理过程中需要考虑的Tensorflow Serving Batching进程：

在客户端使用异步请求，以在服务器端进行批处理在CPU/GPU上加入模型图组件，加速批处理在同一服务器服务多个模型时，对预测请求进行交织处理对于“脱机”大容量推理处理，强烈推荐批处理。

(2) 客户端批处理

客户端的批处理是将多个输入组合在一起，以发出单个请求。

由于ResNet模型要求以NHWC格式输入(第一个维度是输入的数量)，所以我们可以将多个输入图像聚合到一个RPC请求中：

...batch = [] for jpeg in os.listdir(FLAGS.images_path):  path = os.path.join(FLAGS.images_path, jpeg) img = cv2.imread(path).astype(np.float32) batch.append(img)...batch_np = np.array(batch).astype(np.float32) dims = [tensor_shape_pb2.TensorShapeProto.Dim(size=dim) for dim in batch_np.shape] t_shape = tensor_shape_pb2.TensorShapeProto(dim=dims) tensor = tensor_pb2.TensorProto(  dtype=types_pb2.DT_FLOAT, tensor_shape=t_shape, float_val=list(batched_np.reshape(-1)))request.inputs['inputs'].CopyFrom(tensor) 

对N个图像的批处理，响应（相应）的输出Tensor对于请求批处理中相同数量的输入具有预测结果，在这种情况下，N=2（以下是N=2的情况）：

outputs {  key: "classes" value { dtype: DT_INT64 tensor_shape { dim { size: 2 } } int64_val: 238 int64_val: 121 }}...

硬件加速

关于GPU：

对于训练，GPU可以更直观地利用并行化，因为构建深层神经网络需要大量的计算才能得到最优解。

然而，推理的情况并不总是如此。很多时候，当图形执行步骤放置在GPU设备上时，CNN的推理就会加快。然而，挑选能够优化性价比的硬件，需要进行严格的测试、深入的技术和成本分析。硬件加速并行化对于“脱机”推理批处理(海量卷)更有价值。

原文链接：