TorchServe - AWS Deep Learning AMIs
Sirva un modelo de clasificación de imágenes en TorchServe

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

TorchServe

TorchServe es una herramienta flexible para ofrecer modelos de aprendizaje profundo que se han exportado desde PyTorch. TorchServe viene preinstalado con el Deep Learning AMI con Conda.

Para obtener más información sobre el uso TorchServe, consulte Model Server para PyTorch ver la documentación.

Temas

Sirva un modelo de clasificación de imágenes en TorchServe

Este tutorial muestra cómo crear un modelo de clasificación de imágenes con TorchServe. Utiliza un modelo DenseNet -161 proporcionado por PyTorch. Una vez que el servidor está en funcionamiento, escucha las solicitudes de predicción. Al cargar una imagen, en este caso una imagen de un gatito, el servidor devuelve una predicción de las 5 principales clases coincidentes de entre las clases con las que se haya entrenado el modelo.

A modo de ejemplo, un modelo de clasificación de imágenes en TorchServe

  1. Conéctese a una instancia de Amazon Elastic Compute Cloud (AmazonEC2) con Deep Learning AMI con Conda v34 o posterior.

  2. Active el entorno de pytorch_p310. 

    source activate pytorch_p310

  3. Clone el TorchServe repositorio y, a continuación, cree un directorio para almacenar sus modelos.  

    git clone https://github.com/pytorch/serve.git
mkdir model_store

  4. Archive el modelo utilizando el archivador de modelos. El extra-files parámetro usa un archivo del TorchServe repositorio, así que actualiza la ruta si es necesario. Para obtener más información sobre el archivador de modelos, consulte el archivador de modelos Torch para. TorchServe 

    wget https://download.pytorch.org/models/densenet161-8d451a50.pth
torch-model-archiver --model-name densenet161 --version 1.0 --model-file ./serve/examples/image_classifier/densenet_161/model.py --serialized-file densenet161-8d451a50.pth --export-path model_store --extra-files ./serve/examples/image_classifier/index_to_name.json --handler image_classifier

  5. Ejecute TorchServe para iniciar un punto final. Al agregar > /dev/null se silencia la salida del registro. 

    torchserve --start --ncs --model-store model_store --models densenet161.mar > /dev/null

  6. Descarga una imagen de un gatito y envíala al punto final de TorchServe predicción: 

    curl -O https://s3.amazonaws.com/model-server/inputs/kitten.jpg
curl http://127.0.0.1:8080/predictions/densenet161 -T kitten.jpg

    El punto final de predicción devuelve una predicción JSON similar a las cinco predicciones principales siguientes, en las que la imagen tiene un 47% de probabilidades de contener un gato egipcio, seguido de un 46% de probabilidades de que tenga un gato atigrado. 

    {
 "tiger_cat": 0.46933576464653015,
 "tabby": 0.463387668132782,
 "Egyptian_cat": 0.0645613968372345,
 "lynx": 0.0012828196631744504,
 "plastic_bag": 0.00023323058849200606
}

  7. Cuando termine la prueba, detenga el servidor. 

    torchserve --stop

Otros ejemplos

TorchServe tiene varios ejemplos que puede ejecutar en su DLAMI instancia. Puedes verlos en la página de ejemplos TorchServe del repositorio del proyecto.

Más información

Para obtener más TorchServe documentación, incluida la forma de configurar TorchServe con Docker y las TorchServe funciones más recientes, consulta la página del TorchServe proyecto en GitHub.