在Notebook中通过Dockerfile从0制作自定义镜像用于推理

场景说明

针对ModelArts目前不支持的AI引擎，您可以通过自定义镜像的方式将编写的模型导入ModelArts，创建为模型。

本文详细介绍如何在ModelArts的开发环境Notebook中使用基础镜像构建一个新的推理镜像，并完成模型的创建，部署为在线服务。本案例仅适用于华为云北京四和上海一站点。

操作流程如下：

Step1 在Notebook中构建一个新镜像：在ModelArts的开发环境Notebook中制作自定义镜像，镜像规范可参考创建模型的自定义镜像规范。
Step2 构建成功的镜像注册到镜像管理模块：将构建成功的自定义镜像注册到ModelArts的镜像管理模块中，方便下一步调试。
Step3 在Notebook中变更镜像并调试：在Notebook中调试镜像。
Step4 使用调试成功的镜像用于推理部署：将调试完成的镜像导入ModelArts的模型管理中，并部署上线。

Step1 在Notebook中构建一个新镜像

本章节以ModelArts提供的基础镜像tensorflow为例介绍如何在ModelArts的Notebook中构建一个新镜像并用于模型部署。

登录ModelArts控制台，在左侧导航栏中选择“全局配置”，检查是否配置了访问授权。如果未配置，请先配置访问授权。参考使用委托授权完成操作。
登录ModelArts控制台，在左侧导航栏中选择“开发环境 > Notebook”，进入“Notebook”管理页面。
单击右上角“创建”，进入“创建Notebook”页面，请参见如下说明填写参数。
1. 填写Notebook基本信息，包含名称、描述、是否自动停止。
2. 填写Notebook详细参数，如选择镜像、资源规格等。
  - “镜像”：选择公共镜像下任意一个支持CPU类型的镜像，例如：tensorflow2.1-cuda10.1-cudnn7-ubuntu18.04
  - “资源池”：选择公共资源池或专属资源池，此处以公共资源池为例。
  - “类型”：推荐选择GPU。
  - “规格”：推荐选择GP Tnt004规格，如果没有再选择其他规格。
参数填写完成后，单击“立即创建”进行规格确认。参数确认无误后，单击“提交”，完成Notebook的创建操作。
进入Notebook列表，正在创建中的Notebook状态为“创建中”，创建过程需要几分钟，请耐心等待。当Notebook状态变为“运行中”时，表示Notebook已创建并启动完成。
打开运行中的Notebook实例。
图1 打开Notebook实例
通过功能，上传dockerfile文件和模型包文件到Notebook中，默认工作目录/home/ma-user/work/。
dockerfile文件的具体内容可以参见Dockerfile模板。模型包文件需要用户自己准备，样例内容参见模型包文件样例。

图2 上传dockerfile文件和模型包文件
打开Terminal终端，解压model.zip，解压后删除zip文件。
```
#解压命令
unzip model.zip
```
图3 在Terminal终端中解压model.zip

打开一个新的.ipynb文件，启动构建脚本，在构建脚本中指定dockerfile文件和镜像的推送地址。构建脚本当前仅支持华为云北京四和上海一站点。

图4 启动构建脚本

构建脚本内容如下：

from modelarts.image_builder import ImageBuilder
from modelarts.session import Session
session = Session()

image = ImageBuilder(session=session,
   dockerfile_path="/home/ma-user/work/Dockerfile",
   image_url="custom_test/tensorflow2.1:1.0.0",#custom_test是组织名，tensorflow2.1是镜像名称，1.0.0是tag
   context="/home/ma-user/work")
result = image.build_push()

等待镜像构建完成。镜像构建完成后会自动推送到SWR中。

图5 等待镜像构建完成

Dockerfile模板

Dockerfile样例，此样例可以直接另存为一个Dockerfile文件使用。此处可以使用的基础镜像列表请参见推理专属预置镜像列表。

FROM swr.cn-north-4.myhuaweicloud.com/atelier/tensorflow_2_1:tensorflow_2.1.0-cuda_10.1-py_3.7-ubuntu_18.04-x86_64-20221121111529-d65d817

# here create a soft link from '/home/ma-user/anaconda/lib/python3.7/site-packages/model_service' to '/home/ma-user/infer/model_service'. It’s the build-in inference framework code dir
# if the installed python version of this base image is python3.8, you should create a soft link from '/home/ma-user/anaconda/lib/python3.8/site-packages/model_service' to '/home/ma-user/infer/model_service'.
USER root
RUN ln -s /home/ma-user/anaconda/lib/python3.7/site-packages/model_service  /home/ma-user/infer/model_service
USER ma-user

# here we supply a demo, you can change it to your own model files
ADD model/  /home/ma-user/infer/model/1
USER root
RUN chown -R ma-user:ma-group  /home/ma-user/infer/model/1
USER ma-user

# default MODELARTS_SSL_CLIENT_VERIFY switch is "true". In order to debug, we set it to be "false"
ENV MODELARTS_SSL_CLIENT_VERIFY="false"

# change your port and protocol here, default is 8443 and https
# ENV MODELARTS_SERVICE_PORT=8080
# ENV MODELARTS_SSL_ENABLED="false"

# add pip install here
# RUN pip install numpy==1.16.4
# RUN pip install -r requirements.txt

# default cmd, you can chage it here
# CMD sh /home/ma-user/infer/run.sh

模型包文件样例

模型包文件model.zip中需要用户自己准备模型文件，此处仅是举例示意说明，以一个手写数字识别模型为例。

Model目录下必须要包含推理脚本文件customize_service.py，目的是为开发者提供模型预处理和后处理的逻辑。

图6 推理模型model目录示意图（需要用户自己准备模型文件）

推理脚本customize_service.py的具体写法要求可以参考模型推理代码编写说明。

本案例中提供的customize_service.py文件具体内容如下：

import logging
import threading

import numpy as np
import tensorflow as tf
from PIL import Image

from model_service.tfserving_model_service import TfServingBaseService


class mnist_service(TfServingBaseService):

    def __init__(self, model_name, model_path):
        self.model_name = model_name
        self.model_path = model_path
        self.model = None
        self.predict = None

        # 非阻塞方式加载saved_model模型，防止阻塞超时
        thread = threading.Thread(target=self.load_model)
        thread.start()

    def load_model(self):
        # load saved_model 格式的模型
        self.model = tf.saved_model.load(self.model_path)

        signature_defs = self.model.signatures.keys()

        signature = []
        # only one signature allowed
        for signature_def in signature_defs:
            signature.append(signature_def)

        if len(signature) == 1:
            model_signature = signature[0]
        else:
            logging.warning("signatures more than one, use serving_default signature from %s", signature)
            model_signature = tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY

        self.predict = self.model.signatures[model_signature]

    def _preprocess(self, data):
        images = []
        for k, v in data.items():
            for file_name, file_content in v.items():
                image1 = Image.open(file_content)
                image1 = np.array(image1, dtype=np.float32)
                image1.resize((28, 28, 1))
                images.append(image1)

        images = tf.convert_to_tensor(images, dtype=tf.dtypes.float32)
        preprocessed_data = images

        return preprocessed_data

    def _inference(self, data):

        return self.predict(data)

    def _postprocess(self, data):

        return {
            "result": int(data["output"].numpy()[0].argmax())
        }

Step2 构建成功的镜像注册到镜像管理模块

将Step1 在Notebook中构建一个新镜像中构建成功的自定义镜像注册到镜像管理中，方便后续使用。

登录ModelArts控制台，在左侧导航栏中选择“镜像管理”，单击“注册镜像”，进入注册镜像页面。
输入镜像源地址，选择架构和类型后，单击“立即注册”。
- “镜像源”：地址为swr.cn-north-4-myhuaweicloud.com/custom_test/tensorflow2.1:1.0.0。其中custom_test/tensorflow2.1:1.0.0为8镜像构建脚本中设置的镜像地址。
- “架构”：选择X86_64
- “类型”：选择CPU
图7 注册镜像
注册完成后，可以在镜像管理页面查看到注册成功的镜像。

Step3 在Notebook中变更镜像并调试

使用制作完成的自定义镜像进行推理服务调试，调试成功后再导入到ModelArts的模型中并部署为在线服务。

登录ModelArts控制台，在左侧导航栏中选择“开发环境 > Notebook”，进入“Notebook”管理页面。停止Step1 在Notebook中构建一个新镜像中创建的Notebook。
在Notebook对应操作列，单击“更多 > 变更镜像”，打开“变更镜像”弹出框，变更镜像选择“自定义镜像”，将当前镜像变更为Step2 构建成功的镜像注册到镜像管理模块注册的镜像，如图8所示。
图8 变更镜像
启动变更后的Notebook，并打开。进入Terminal运行界面，在工作目录，运行启动脚本run.sh，并预测模型。基础镜像中默认提供了run.sh作为启动脚本。
图9 运行启动脚本
上传一张预测图片（手写数字图片）到Notebook中。
图10 手写数字图片

图11 上传预测图片
重新打开一个新的Terminal终端，执行如下命令进行预测。
```
curl -kv -F 'images=@/home/ma-user/work/test.png' -X POST http://127.0.0.1:8080/
```
图12 预测

在调试过程中，如果有修改模型文件或者推理脚本文件，需要重启run.sh脚本。执行如下命令先停止nginx服务，再运行run.sh脚本。
```
#查询nginx进程
ps -ef |grep nginx 
#关闭所有nginx相关进程
kill -9 {进程ID}  
#运行run.sh脚本
sh run.sh
```
也可以执行pkill nginx命令直接关闭所有nginx进程。
```
#关闭所有nginx进程
pkill nginx
#运行run.sh脚本
sh run.sh
```
图13 重启run.sh脚本

Step4 使用调试成功的镜像用于推理部署

将Step3 在Notebook中变更镜像并调试中调试成功的自定义镜像导入到模型中，并部署为在线服务。

登录ModelArts控制台，在左侧导航栏中选择“模型管理”，单击“创建”，进入模型管理。
设置模型的参数，如图14所示。
- 元模型来源：从容器镜像中选择。
- 容器镜像所在的路径：单击选择前面创建的镜像。
- 容器调用接口：选择HTTPS。
- host：设置为8443。
- 部署类型：选择在线部署。
图14 设置模型参数
填写apis定义，单击“保存”生效。apis定义中指定输入为文件，具体内容参见下面代码样例。
图15 填写apis定义

apis定义具体内容如下：
```
[{
	"url": "/",
	"method": "post",
	"request": {
		"Content-type": "multipart/form-data",
		"data": {
			"type": "object",
			"properties": {
				"images": {
					"type": "file"
				}
			}
		}
	},
	"response": {
		"Content-type": "applicaton/json",
		"data": {
			"type": "object",
			"properties": {
				"result": {
					"type": "integer"
				}
			}
		}
	}
}]
```
apis定义提供模型对外Restfull api数据定义，用于定义模型的输入、输出格式。
- 创建模型填写apis。在创建的模型部署服务成功后，进行预测时，会自动识别预测类型。
- 创建模型时不填写apis。在创建的模型部署服务成功后，进行预测，需选择“请求类型”。“请求类型”可选择“application/json”或“multipart/form-data”。请根据元模型，选择合适的类型。
  - 选择“application/json”时，直接填写“预测代码”进行文本预测。
  - 选择“multipart/form-data”时，需填写“请求参数”，请求参数取值等同于使用图形界面的软件进行预测（以Postman为例）Body页签中填写的“KEY”的取值，也等同于使用curl命令发送预测请求上传数据的参数名。
设置完成后，单击“立即创建”，等待模型状态变为“正常”。
单击新建的模型名称左侧的小三角形，展开模型的版本列表。在操作列单击“部署 > 在线服务”，跳转至在线服务的部署页面。
在部署页面，参考如下说明填写关键参数。
“名称”：按照界面提示规则自定义一个在线服务的名称，也可以使用默认值。

“资源池”：选择“公共资源池”。

“模型来源”和“选择模型及版本”：会自动选择模型和版本号。

“计算节点规格”：在下拉框中选择“限时免费”资源，勾选并阅读免费规格说明。

其他参数可使用默认值。

如果限时免费资源售罄，建议选择收费CPU资源进行部署。当选择收费CPU资源部署在线服务时会收取少量资源费用，具体费用以界面信息为准。
参数配置完成后，单击“下一步”，确认规格参数后，单击“提交”启动在线服务的部署。
进入“部署上线 > 在线服务”页面，等待服务状态变为“运行中”时，表示服务部署成功。单击操作列的“预测”，进入服务详情页的“预测”页面。上传图片，预测结果。
图16 预测