Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Verwenden Sie AWS Inferentia-Instanzen mit Ihrem EKS Cluster für Machine Learning
In diesem Thema wird beschrieben, wie Sie einen EKS Amazon-Cluster mit Knoten erstellen, auf denen Amazon EC2 Inf1-Instances
Anmerkung
Das logische Neuron-Gerät IDs muss zusammenhängend sein. Wenn ein Pod Das Anfordern mehrerer Neuron-Geräte ist für einen inf1.24xlarge
Instanztyp inf1.6xlarge
oder (die mehr als ein Neuron-Gerät haben) geplant, der Pod kann nicht gestartet werden, wenn Kubernetes Der Scheduler wählt ein nicht zusammenhängendes Gerät aus. IDs Weitere Informationen finden Sie unter Das logische IDs Gerät muss zusammenhängend
Voraussetzungen
-
eksctl
ist auf Ihrem Computer installiert. Wenn Sie es nicht installiert haben, finden Sie in der Dokumentation weitere Informationen unter Installation. eksctl
-
Installieren Sie
kubectl
auf Ihrem Computer. Weitere Informationen finden Sie unter Richten Sie kubectl und eksctl ein. -
Installieren Sie
python3
auf Ihrem Computer (optional). Wenn Sie es nicht installiert haben, finden Sie Installationsanweisungen unter Python-Downloads.
Erstellen eines -Clusters
-
Erstellen Sie einen Cluster mit EC2 Inf1-Amazon-Instance-Knoten. Sie können ersetzen
inf1.2xlarge
mit einem beliebigen Inf1-Instanztyp. Das eksctl
Hilfsprogramm erkennt, dass Sie eine Knotengruppe mit einemInf1
Instance-Typ starten, und startet Ihre Knoten mit einem der für Amazon EKS optimierten beschleunigten Amazon LinuxAMIs.Anmerkung
Sie können bei TensorFlow Serving keine IAMRollen für Dienstkonten verwenden.
eksctl create cluster \ --name inferentia \ --region region-code \ --nodegroup-name ng-inf1 \ --node-type inf1.2xlarge \ --nodes 2 \ --nodes-min 1 \ --nodes-max 4 \ --ssh-access \ --ssh-public-key your-key \ --with-oidc
Anmerkung
Notieren Sie den Wert der folgenden Ausgabezeile. Es wird in einem späteren (optionalen) Schritt verwendet.
[9] adding identity "arn:aws: iam::111122223333:role/eksctl-inferentia-nodegroup-ng-in-NodeInstanceRole-FI7HIYS3BS09" to auth ConfigMap
Beim Starten einer Knotengruppe mit
Inf1
Instanzen wird das AWS Neuroneksctl
automatisch installiert Kubernetes Geräte-Plugin. Dieses Plugin bewirbt Neuron-Geräte als Systemressource für Kubernetes Scheduler, der von einem Container angefordert werden kann. Zusätzlich zu den standardmäßigen EKS IAM Amazon-Node-Richtlinien wurde die Amazon S3-Read-Only-Zugriffsrichtlinie hinzugefügt, sodass die Beispielanwendung, die in einem späteren Schritt behandelt wird, ein trainiertes Modell aus Amazon S3 laden kann. -
Stellen Sie sicher, dass alle Pods habe richtig angefangen.
kubectl get pods -n kube-system
Gekürzte Ausgabe:
NAME READY STATUS RESTARTS AGE [...] neuron-device-plugin-daemonset-6djhp 1/1 Running 0 5m neuron-device-plugin-daemonset-hwjsj 1/1 Running 0 5m
(Optional) Stellen Sie ein TensorFlow Serving-Anwendungs-Image bereit
Ein trainiertes Modell muss für ein Inferentia-Ziel zusammengetragen werden, bevor es auf Inferentia-Instances bereitgestellt werden kann. Um fortzufahren, benötigen Sie ein für Neuron optimiertes TensorFlow
Das Beispiel-Deployment-Manifest verwaltet einen vorgefertigten Inferenz-Serving-Container, der von AWS Deep Learning Containers TensorFlow bereitgestellt wird. Im Container befinden sich die AWS Neuron Runtime und die TensorFlow Serving-Anwendung. Eine vollständige Liste vorgefertigter, für Neuron optimierter Deep Learning Containers finden Sie unter GitHub unter Verfügbare Bilder.
Die Anzahl der Neuron-Geräte, die Ihrer Serving-Anwendung zugewiesen sind, kann angepasst werden, indem Sie die aws.amazon.com/neuron
-Ressource in der Bereitstellung yaml verändern. Bitte beachten Sie, dass die Kommunikation zwischen TensorFlow Serving und der Neuron-Laufzeit wiederholt wirdGRPC, weshalb die IPC_LOCK
Funktion an den Container übergeben werden muss.
-
Fügen Sie die
AmazonS3ReadOnlyAccess
IAM Richtlinie der Knoteninstanzrolle hinzu, die in Schritt 1 von Cluster erstellen erstellt wurde. Dies ist notwendig, damit die Beispielanwendung ein trainiertes Modell aus Amazon S3 laden kann.aws iam attach-role-policy \ --policy-arn arn:aws: iam::aws:policy/AmazonS3ReadOnlyAccess \ --role-name eksctl-inferentia-nodegroup-ng-in-NodeInstanceRole-FI7HIYS3BS09
-
Erstellen Sie eine Datei mit dem Namen
rn50_deployment.yaml
und dem folgenden Inhalt. Aktualisieren Sie den Regions-Code und den Modellpfad entsprechend den gewünschten Einstellungen. Der Modellname dient zu Identifikationszwecken, wenn ein Client eine Anfrage an den TensorFlow Server stellt. In diesem Beispiel wird ein Modellname verwendet, der einem Beispiel-Clientskript von ResNet 50 entspricht, das in einem späteren Schritt zum Senden von Vorhersageanforderungen verwendet wird.aws ecr list-images --repository-name neuron-rtd --registry-id 790709498068 --region us-west-2
kind: Deployment apiVersion: apps/v1 metadata: name: eks-neuron-test labels: app: eks-neuron-test role: master spec: replicas: 2 selector: matchLabels: app: eks-neuron-test role: master template: metadata: labels: app: eks-neuron-test role: master spec: containers: - name: eks-neuron-test image: 763104351884.dkr.ecr.us-east-1.amazonaws.com/tensorflow-inference-neuron:1.15.4-neuron-py37-ubuntu18.04 command: - /usr/local/bin/entrypoint.sh args: - --port=8500 - --rest_api_port=9000 - --model_name=resnet50_neuron - --model_base_path=s3://your-bucket-of-models/resnet50_neuron/ ports: - containerPort: 8500 - containerPort: 9000 imagePullPolicy: IfNotPresent env: - name: AWS_REGION value: "us-east-1" - name: S3_USE_HTTPS value: "1" - name: S3_VERIFY_SSL value: "0" - name: S3_ENDPOINT value: s3.us-east-1.amazonaws.com - name: AWS_LOG_LEVEL value: "3" resources: limits: cpu: 4 memory: 4Gi aws.amazon.com/neuron: 1 requests: cpu: "1" memory: 1Gi securityContext: capabilities: add: - IPC_LOCK
-
Stellen Sie das Modell bereit.
kubectl apply -f rn50_deployment.yaml
-
Erstellen Sie eine Datei mit dem Namen
rn50_service.yaml
und dem folgenden Inhalt. Die RPC Ports HTTP und g werden für die Annahme von Vorhersageanforderungen geöffnet.kind: Service apiVersion: v1 metadata: name: eks-neuron-test labels: app: eks-neuron-test spec: type: ClusterIP ports: - name: http-tf-serving port: 8500 targetPort: 8500 - name: grpc-tf-serving port: 9000 targetPort: 9000 selector: app: eks-neuron-test role: master
-
Erstellen Sie eine Kubernetes Service für Ihre TensorFlow Model Serving-Anwendung.
kubectl apply -f rn50_service.yaml
(Optional) Treffen Sie Prognosen für Ihren TensorFlow Serving-Service
-
Um lokal zu testen, leiten Sie den RPC G-Port an den
eks-neuron-test
Dienst weiter.kubectl port-forward service/eks-neuron-test 8500:8500 &
-
Erstellen Sie das Python-Skript namens
tensorflow-model-server-infer.py
mit folgendem Inhalt. Dieses Skript führt Inferenz über g ausRPC, was ein Service-Framework ist.import numpy as np import grpc import tensorflow as tf from tensorflow.keras.preprocessing import image from tensorflow.keras.applications.resnet50 import preprocess_input from tensorflow_serving.apis import predict_pb2 from tensorflow_serving.apis import prediction_service_pb2_grpc from tensorflow.keras.applications.resnet50 import decode_predictions if __name__ == '__main__': channel = grpc.insecure_channel('localhost:8500') stub = prediction_service_pb2_grpc.PredictionServiceStub(channel) img_file = tf.keras.utils.get_file( "./kitten_small.jpg", "https://raw.githubusercontent.com/awslabs/mxnet-model-server/master/docs/images/kitten_small.jpg") img = image.load_img(img_file, target_size=(224, 224)) img_array = preprocess_input(image.img_to_array(img)[None, ...]) request = predict_pb2.PredictRequest() request.model_spec.name = 'resnet50_inf1' request.inputs['input'].CopyFrom( tf.make_tensor_proto(img_array, shape=img_array.shape)) result = stub.Predict(request) prediction = tf.make_ndarray(result.outputs['output']) print(decode_predictions(prediction))
-
Führen Sie das Skript aus, um Prognosen an den Service zu senden.
python3 tensorflow-model-server-infer.py
Eine Beispielausgabe sieht wie folgt aus.
[[(u'n02123045', u'tabby', 0.68817204), (u'n02127052', u'lynx', 0.12701613), (u'n02123159', u'tiger_cat', 0.08736559), (u'n02124075', u'Egyptian_cat', 0.063844085), (u'n02128757', u'snow_leopard', 0.009240591)]]