Usa le istanze AWS Inferentia con il tuo EKS cluster per il Machine Learning - Amazon EKS

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Usa le istanze AWS Inferentia con il tuo EKS cluster per il Machine Learning

Questo argomento descrive come creare un EKS cluster Amazon con nodi che eseguono istanze Amazon EC2 Inf1 e (facoltativamente) distribuire un'applicazione di esempio. Le istanze Amazon EC2 Inf1 sono alimentate da chip AWS Inferentia, creati su misura AWS per fornire inferenze ad alte prestazioni e al minor costo nel cloud. I modelli di apprendimento automatico vengono distribuiti nei contenitori utilizzando AWS Neuron, un kit di sviluppo software specializzato (SDK) composto da un compilatore, un runtime e strumenti di profilazione che ottimizzano le prestazioni di inferenza di apprendimento automatico dei chip Inferentia. AWS Neuron supporta i più diffusi framework di apprendimento automatico come, e. TensorFlow PyTorch MXNet

Nota

La logica IDs del dispositivo Neuron deve essere contiguo. Se un Pod la richiesta di più dispositivi Neuron è pianificata su un tipo di inf1.24xlarge istanza inf1.6xlarge o (che hanno più di un dispositivo Neuron), che Pod non riuscirà ad avviarsi se Kubernetes lo scheduler seleziona un dispositivo non contiguo. IDs Per ulteriori informazioni, vedere Device logical must be contiguous on IDs GitHub.

Prerequisiti

  • Avere eksctl installato sul computer. Se non è installato, consulta Installazione nella eksctl documentazione.

  • Avere kubectl installato sul computer. Per ulteriori informazioni, consulta Configura kubectl ed eksctl.

  • (Facoltativo) Avere python3 installato sul computer. Se non lo hai installato, consulta i download di Python per le istruzioni di installazione.

Creazione di un cluster

  1. Crea un cluster con nodi di EC2 istanze Amazon Inf1. Puoi sostituire inf1.2xlarge con qualsiasi tipo di istanza Inf1. L'eksctlutilità rileva che stai avviando un gruppo di nodi con un tipo di Inf1 istanza e avvierà i nodi utilizzando uno degli Amazon Linux accelerati EKS ottimizzati per Amazon. AMIs

    Nota

    Non puoi utilizzare i IAMruoli per gli account di servizio con Serving. TensorFlow

    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
    Nota

    Notare il valore della seguente riga dell'output. Viene utilizzato in un passaggio successivo (facoltativo).

    [9] adding identity "arn:aws: iam::111122223333:role/eksctl-inferentia-nodegroup-ng-in-NodeInstanceRole-FI7HIYS3BS09" to auth ConfigMap

    Quando si avvia un gruppo di nodi con Inf1 istanze, installa eksctl automaticamente Neuron AWS Kubernetes plug-in del dispositivo. Questo plugin pubblicizza i dispositivi Neuron come risorsa di sistema per Kubernetes scheduler, che può essere richiesto da un contenitore. Oltre alle IAM policy predefinite dei EKS nodi Amazon, viene aggiunta la policy di accesso in sola lettura di Amazon S3 in modo che l'applicazione di esempio, trattata in un passaggio successivo, possa caricare un modello addestrato da Amazon S3.

  2. Assicurati che tutto Pods sono iniziati correttamente.

    kubectl get pods -n kube-system

    Output abbreviato:

    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

(Facoltativo) Implementate un'immagine dell'applicazione TensorFlow Serving

Un modello addestrato deve essere compilato in un target Inferentia prima di poter essere implementato nelle istanze Inferentia. Per continuare, avrai bisogno di un TensorFlow modello ottimizzato per Neuron salvato in Amazon S3. Se non ne hai già uno SavedModel, segui il tutorial per creare un modello ResNet 50 compatibile con Neuron e carica il risultato SavedModel su S3. ResNet-50 è un popolare modello di apprendimento automatico utilizzato per attività di riconoscimento delle immagini. Per ulteriori informazioni sulla compilazione dei modelli Neuron, consulta The AWS Inferentia Chip With DLAMI nella Deep Learning Developer Guide. AWS AMIs

Il manifesto di distribuzione di esempio gestisce un contenitore di servizi di inferenza precostruito TensorFlow fornito da AWS Deep Learning Containers. All'interno del contenitore si trovano AWS Neuron Runtime e l' TensorFlow applicazione Serving. Un elenco completo di Deep Learning Containers predefiniti ottimizzati per Neuron è disponibile su GitHub in Immagini disponibili. All'avvio, DLC recupererà il modello da Amazon S3, avvierà TensorFlow Neuron Serving con il modello salvato e attenderà le richieste di previsione.

Il numero di dispositivi Neuron assegnati all'applicazione di servizio può essere regolato modificando la risorsa aws.amazon.com/neuron nella implementazione yaml. Tieni presente che la comunicazione tra TensorFlow Serving e il runtime Neuron avvieneGRPC, il che richiede il trasferimento della funzionalità al contenitore. IPC_LOCK

  1. Aggiungi la AmazonS3ReadOnlyAccess IAM policy al ruolo dell'istanza del nodo creato nel passaggio 1 di Creare un cluster. Ciò è necessario affinché l'applicazione di esempio possa caricare un modello formato da Amazon S3.

    aws iam attach-role-policy \ --policy-arn arn:aws: iam::aws:policy/AmazonS3ReadOnlyAccess \ --role-name eksctl-inferentia-nodegroup-ng-in-NodeInstanceRole-FI7HIYS3BS09
  2. Crea un file denominato rn50_deployment.yaml con i seguenti contenuti. Aggiornare il codice di Regione e il percorso del modello in modo che corrispondano alle impostazioni desiderate. Il nome del modello serve a scopi di identificazione quando un client effettua una richiesta al TensorFlow server. Questo esempio utilizza un nome di modello che corrisponde a uno script client di esempio di ResNet 50 client che verrà utilizzato in un passaggio successivo per l'invio di richieste di previsione.

    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
  3. Implementare il modello.

    kubectl apply -f rn50_deployment.yaml
  4. Crea un file denominato rn50_service.yaml con i seguenti contenuti. Le RPC porte HTTP e g vengono aperte per accettare le richieste di previsione.

    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
  5. Crea un Kubernetes servizio per la tua applicazione TensorFlow Model Serving.

    kubectl apply -f rn50_service.yaml

(Facoltativo) Fai previsioni sul tuo TensorFlow servizio Serving

  1. Per eseguire il test localmente, inoltra la RPC porta g al eks-neuron-test servizio.

    kubectl port-forward service/eks-neuron-test 8500:8500 &
  2. Creare uno script Python chiamato tensorflow-model-server-infer.py con il seguente contenuto. Questo script esegue l'inferenza tramite gRPC, che è il framework di servizio.

    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))
  3. Eseguire lo script per inviare previsioni al servizio.

    python3 tensorflow-model-server-infer.py

    Di seguito viene riportato un output di esempio:

    [[(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)]]