-
微信
微信掃一掃 - 搜索
UCloud推出了AI as a Service平臺，該平臺基于UCloud豐富的計算資源與分布式系統(tǒng)實踐經(jīng)驗，致力于提供廉價、高可靠、高彈性、高易用性的AI在線服務(wù)，將客戶從繁雜的平臺系統(tǒng)開發(fā)和運維工作中解放出來。
以在線人臉表情識別為例，說明如何借助UAI－Service以及開源算法，輕松實現(xiàn)在線服務(wù)，“零基礎(chǔ)”入門使用AI。另外還對AI在線服務(wù)的性能進行了評估，將其與GPU性能進行比對，使用戶更直觀的了解AI在線服務(wù)性能優(yōu)勢。
整個實現(xiàn)過程主要由兩部分組成，首先利用tensorflow1.1.0訓練所需的模型文件，其次按照UAI－SERVICE的使用說明部署在線服務(wù)。具體步驟如下：
Step 1：模型訓練
Step1.0 安裝tensorflow1.1.0
安裝環(huán)境為ubuntu14.04.5, python版本為2.7.6，直接借助pip安裝tensorflow，指令如下：
bash
pip install tensorflow=1.1.0
Step1.1 選擇合適的數(shù)據(jù)庫
UCloud選擇使用目前較大的人臉表情識別公開數(shù)據(jù)庫fer2013，共包含35887張人臉圖片，其中訓練集28709張、驗證集3589張、測試集3589張。數(shù)據(jù)庫中各個樣本在年齡、面部方向等有比較大的差異性，具有一定的實際意義，也使表情識別更具挑戰(zhàn)性。
同時，數(shù)據(jù)庫中的圖片均為灰度圖片，大小為48*48像素，樣本被分為生氣、厭惡、恐懼、開心、中性、傷心、驚訝七類，各種類型分布基本均勻。（該數(shù)據(jù)庫實際為kaggle一個比賽項目提供的數(shù)據(jù)，官方給出的文件格式為csv，手動將其轉(zhuǎn)換成了圖片格式。）
Step1.2 數(shù)據(jù)預處理
實際選用了tensorflow提供的TF-Slim實驗庫。具體參見TF_Slim官方文檔說明。
TF-Slim是一個用于tensorflow定義、訓練和評估復雜模型的新型輕量級API，它提供了集中廣泛使用的卷積神經(jīng)網(wǎng)絡(luò)圖像分類模型代碼以及預訓練模型，同時還包含了運行腳本，借助它可以快速入門，既可以從頭開始訓練模型，也可以對已經(jīng)訓練好的網(wǎng)絡(luò)權(quán)重進行微調(diào)。
TF-Slim提供了將數(shù)據(jù)集轉(zhuǎn)換成tfrecord格式的代碼，對代碼進行調(diào)整后可以將所用的數(shù)據(jù)集fer2013轉(zhuǎn)成tfrecord格式。
數(shù)據(jù)形式如下所示，其中l(wèi)abels.txt中包含了類別的映射：
Step1.3 訓練
本次訓練選用了較大的模型inception_v3，對官方給出的預訓練模型進行微調(diào)。由于訓練模型的目的在于嘗試一下在線服務(wù)，因而該訓練過程并未過多的涉及調(diào)參。
調(diào)用指令示例如下：
bash
TRAIN_DIR=./train_log
DATASET_DIR=./fer2013
PRETRAINED_CHECKPOINT_DIR=./pretrain_model
python train_image_classifier.py \
--train_dir=${TRAIN_DIR} \
--dataset_name=fer2013 \
--dataset_split_name=train\
--dataset_dir=${DATASET_DIR} \
--model_name=inception_v3 \
--checkpoint_path=${PRETRAINED_CHECKPOINT_DIR}/inception_v3.ckpt \
--checkpoint_exclude_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \
--trainable_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \
--max_number_of_steps=1000 \
--batch_size=32 \
--learning_rate=0.01 \
--learning_rate_decay_type=fixed \
--save_interval_secs=60 \
--save_summaries_secs=60 \
--log_every_n_steps=100 \
--optimizer=rmsprop\
--weight_decay=0.00004
進行模型微調(diào)時，系統(tǒng)自動保留最新的五個生成模型，如果發(fā)生中斷，過后會在最新模型基礎(chǔ)上繼續(xù)微調(diào)。
訓練模型文件如下：
Step 2：部署在線服務(wù)
模型訓練完成之后，就準備上手部署！
按照官方文檔的提示（https://docs.ucloud.cn/analysis/uai-service/index），在線部署的主要步驟如下（因個人喜好，本次選擇用命令行部署，官方也給出了使用Console部署的操作說明）。
Step2.0 安裝UCloud UFile SDK以及UAI SDK
• 前者是UCloud對象存儲的SDK（http://sdk.ufile.ucloud.com.cn/python_sdk.tar.gz），主要用于將部署服務(wù)需要的模型和代碼文件上傳到UCloud的對象存儲空間中，這就涉及到首先創(chuàng)建一個屬于自己的私有空間，具體步驟在此不贅述。
• 后者是UAI在線服務(wù)的SDK（https://gitlab.ucloudadmin.com/uai-service/uai-sdk/tree/master），提供了部署在線服務(wù)的命令行工具。
Step2.1 依據(jù)SDK工具包內(nèi)的代碼框架編寫inference代碼
代碼如下：
python
# fer_inference.py
import numpy as np
import tensorflow as tf
from PIL import Image
from inception_v3 import *
from uai.arch.tf_model import TFAiUCloudModel
class FerModel(TFAiUCloudModel):
def__init__(self, conf):
super(FerModel, self).__init__(conf)
defload_model(self):
sess =tf.Session( )
input_tensor = tf.placeholder(tf.float32, [None, 299, 299, 3])
arg_scope= inception_v3_arg_scope( )
withslim.arg_scope(arg_scope):
logits, end_points = inception_v3(input_tensor,
is_training=False,
num_classes=7)
saver= tf.train.Saver( )
params_file = tf.train.latest_checkpoint(self.model_dir)
saver.restore(sess,params_file)
self.output['sess'] = sess
self.output['input_tensor'] = input_tensor
self.output['logits'] = logits
self.output['end_points'] = end_points
def execute(self, data, batch_size):
sess =self.output['sess']
input_tensor = self.output['input_tensor']
logits =self.output['logits']
end_points = self.output['end_points']
ims = [ ]
for i inrange(batch_size):
im =Image.open(data[i]).resize((299, 299))
im = np.array(im) / 255.0
im =im.reshape(299, 299, 3)
ims.append(im)
ims =np.array(ims)
predict_values, logit_values = sess.run(
[end_points['Predictions'], logits], feed_dict={input_tensor: ims})
ret = [ ]
for valin predict_values:
ret_val = np.array_str(np.argmax(val)) + '\n'
ret.append(ret_val)
return ret
Step2.2 打包上傳需要的模型及代碼文件
文件目錄結(jié)構(gòu)：
打包目錄
模型文件目錄(checkpointdir目錄下)
打包上傳文件：
bash
python tf_deploy.py pack --public_key=MY_PUBLIC_KEY --private_key=MY_PRIVATE_KEY --bucket=MY_BUCKET --pack_file_path=/Users/littleape1022/Desktop/fer_uaiservice --main_file=fer_inference --main_class=FerModel --model_dir=checkpoint_dir --code_files=fer_inference.py,inception_v3.py,inception_utils.py --upload_name=fer_uaiservice.tar --ai_arch_v=tensorflow-1.1.0
Step2.3 創(chuàng)建服務(wù)
• 創(chuàng)建服務(wù)：
bash
python tf_deploy.py create --public_key=MY_PUBLIC_KEY --private_key=MY_PRIVATE_KEY --service_name=fer_uaiservice --cpu=8 --memory=8
• 創(chuàng)建服務(wù)后返回如下：
Step2.4 部署服務(wù)
• 部署服務(wù)：
bash
python tf_deploy.py deploy --service_id=uaiservice-av4p1c --public_key=MY_PUBLIC_KEY --private_key=MY_PRIVATE_KEY --ai_arch_v=tensorflow-1.1.0 --ufile_url="MY_UFILE_URL" --pip=pillow
• 部署成功后返回如下：
可以看到已經(jīng)返回服務(wù)的URL了，但注意到狀態(tài)是“ToStart”，啟動之后就可以借助URL來訪問服務(wù)。
Step2.5 啟動服務(wù)
• 啟動服務(wù)：
bash
python tf_deploy.py start --public_key=MY_PUBLIC_KEY --private_key=MY_PRIVATE_KEY --service_name=fer_uaiservice --service_version=SERVICE_VERSION --paas_id=Srv_PAAS_ID
• 啟動成功后返回如下：
上述步驟完成之后，表明人臉表情識別在線服務(wù)已經(jīng)部署成功，可以實現(xiàn)在線人臉表情識別！
URL測試
通過云主機即可訪問該URL，具體情況如下：
上述結(jié)果表明，通過UAI部署在線服務(wù)后給出的URL是通的，可以借助它對輸入圖片進行情感分類。
圖中將輸入圖片“happy.jpg”分成了類別“4”，對應(yīng)“neutral”類，說明模型的識別率有待提升(^_^)。
在線服務(wù)性能測試
借助ab測試評估了服務(wù)的性能，并與本地測試以及GPU（K80）做了比對。
（關(guān)于本地測試的方法官網(wǎng)有介紹，有興趣的可以關(guān)注以下鏈接：https://docs.ucloud.cn/analysis/uai-service/guide/tensorflow/test ）
測試結(jié)果如下，可以發(fā)現(xiàn)：
1）在并發(fā)數(shù)增加到8時，AI在線服務(wù)的性能基本和GPU性能接近，即UAI_Service 8個節(jié)點的性能相當于一塊K80單核的性能。
2）在有并發(fā)的前提下，AI在線服務(wù)的性能普遍高于8核8G云主機的性能。
人工智能（AI）將是UCloud“CBA”戰(zhàn)略的重要一環(huán)。使用UCloud推出的AI as a Service平臺，可以助力人工智能公司快速將人工智能算法產(chǎn)品化，同時也在資源管理、資源調(diào)度方面提供了全方位保障。
