手把手教程 | 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。Amazon 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。

• Amazon Lambda

https://aws.amazon.com/cn/lambda/

数据科学家可以使用更少的代码就能将模型转变为由 Amazon Lambda 支持的经济高效且可扩展的 API 终端节点。Amazon Lambda 支持容器镜像、Advanced Vector Extensions 2(AVX2)和具有高达 10GB 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 Amazon 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 Serverless Application Model(Amazon SAM)

https://github.com/aws/serverless-application-model

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 Amazon 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。

📢 想要了解更多亚马逊云科技最新技术发布和实践创新，敬请关注在上海、北京、深圳三地举办的 2021 亚马逊云科技中国峰会！点击图片报名吧～上海站峰会已经圆满落幕，更多精彩内容，敬请期待北京、深圳分会吧！

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 Amazon 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

• Amazon API Gateway 网管

https://aws.amazon.com/cn/api-gateway/

创建容器化 Amazon Lambda 函数

本节将使用 Amazon SAM 在 Amazon 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：

1. 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。

2. 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

3. 按照屏幕上的提示，选择 Amazon 快速入门模板作为模板来源。

Amazon SAM：选择模板来源

• 选择镜像作为打包类型。

Amazon SAM：选择封装类型

• 选择 amazon/python3.8-base 作为基础镜像。

Amazon 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。

Amazon 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。

Amazon 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

Amazon 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 Amazon 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 Amazon 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 Amazon 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 Amazon lambda_handler 之外加载模型，可在多个 Amazon Lambda 调用中重复使用该模型。

import joblibimport base64import numpy as npimport json
from io import BytesIOfrom PIL import Imagefrom 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 Amazon Lambda 函数，Amazon 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 amazon-sam 目录下看到以下顶层目录树结构：

Amazon 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

Amazon 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 Amazon Lambda 函数的执行容器。使用 API Gateway 模拟器调用:sam local start-api

Amazon 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。

• Postman

https://www.postman.com

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 Amazon Lambda 之后，您可以使用更大的图像。

部署应用程序到 Amazon 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 Amazon 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

• Amazon Elastic Container Registry（ECR）

https://aws.amazon.com/cn/ecr/

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 Amazon 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）。

• 亚马逊云科技新闻博客

https://aws.amazon.com/cn/blogs/aws/new-for-aws-lambda-functions-with-up-to-10-gb-of-memory-and-6-vcpus/

数字分类器模型使用 5GB 内存(约 3 个 vCPU)进行了优化。超过 5GB 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。

• 开源工具

https://github.com/alexcasalboni/aws-lambda-power-tuning

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 Amazon 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。

• 利用 AVX2 指令

https://aws.amazon.com/cn/blogs/compute/creating-faster-aws-lambda-functions-with-avx2/

清理

上述示例创建了 Amazon 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）。

• Amazon CloudFormation

https://aws.amazon.com/cn/cloudformation/

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，Amazon 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，Amazon 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 Amazon 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。

• Serverless Land

https://serverlessland.com

本篇作者

Sean Wilkinson

亚马逊云科技机器学习专家解决方案架构师

Newton Jain

亚马逊云科技 Amazon Lambda 高级产品经理