**Contribuisci a migliorare questa pagina** 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. Per contribuire a questa guida per l'utente, scegli il GitHub link **Modifica questa pagina** nel riquadro destro di ogni pagina. 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 Amazon EKS for Machine Learning In questo argomento viene descritto come creare un cluster Amazon EKS con nodi che eseguono [istanze Amazon EC2 Inf1](https://aws.amazon.com/ec2/instance-types/inf1/) e (facoltativo) come implementare un’applicazione di esempio. Le istanze Amazon EC2 Inf1 sono alimentate da chip [AWS Inferentia, creati su misura AWS per fornire inferenze](https://aws.amazon.com/machine-learning/inferentia/) ad alte prestazioni e al minor costo nel cloud. I modelli di apprendimento automatico vengono distribuiti nei contenitori utilizzando [AWS Neuron](https://aws.amazon.com/machine-learning/neuron/), un kit di sviluppo software (SDK) specializzato composto da un compilatore, un runtime e strumenti di profilazione che ottimizzano le prestazioni di inferenza dell'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 che richiede più dispositivi Neuron è pianificato su un tipo di `inf1.24xlarge` istanza `inf1.6xlarge` o (che ha più di un dispositivo Neuron), quel Pod non si avvierà se lo scheduler Kubernetes seleziona un dispositivo non contiguo. IDs [Per ulteriori informazioni, vedi Device logical must be contiguous on. IDs ](https://github.com/aws/aws-neuron-sdk/issues/110) GitHub ## Prerequisiti + Avere `eksctl` installato sul computer. Se non è installato, consulta [Installation](https://eksctl.io/installation) nella documentazione di `eksctl`. + Avere `kubectl` installato sul computer. Per ulteriori informazioni, consulta [Impostazione di `kubectl` e `eksctl`](install-kubectl.md). + (Facoltativo) Avere `python3` installato sul computer. Se non lo hai installato, consultare [Python downloads](https://www.python.org/downloads/) per le istruzioni di installazione. ## Creazione di un cluster 1. Creare un cluster con nodi di istanze Amazon EC2 Inf1. Puoi sostituire {{inf1.2xlarge}} con qualsiasi [tipo di istanza Inf1](https://aws.amazon.com/ec2/instance-types/inf1/). L'`eksctl`utilità rileva che stai avviando un gruppo di nodi con un tipo di `Inf1` istanza e avvierà i nodi utilizzando uno degli Amazon Linux accelerati ottimizzati per Amazon EKS. AMIs **Nota** Non puoi utilizzare i [ruoli IAM per gli account di servizio](iam-roles-for-service-accounts.md) 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 il plug-in del dispositivo AWS Neuron Kubernetes. Questo plugin pubblicizza i dispositivi Neuron come risorsa di sistema allo scheduler Kubernetes, che può essere richiesto da un container. Oltre alle policy IAM dei nodi Amazon EKS di default, viene aggiunta la policy di accesso di sola lettura Amazon S3 in modo che l’applicazione di esempio, che verrà trattata in un passaggio successivo, possa caricare un modello addestrato da Amazon S3. 1. Assicurarsi che tutti i pod siano stati avviati 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) Implementa un'immagine dell'applicazione Serving TensorFlow 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](https://awsdocs-neuron.readthedocs-hosted.com/en/latest/neuron-guide/neuron-frameworks/tensorflow-neuron/index.html) salvato in Amazon S3. Se non ne hai già uno SavedModel, segui il tutorial per [creare un modello ResNet 50 compatibile con Neuron](https://docs.aws.amazon.com/dlami/latest/devguide/tutorial-inferentia-tf-neuron.html) 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](https://docs.aws.amazon.com/dlami/latest/devguide/tutorial-inferentia.html) 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 nella GitHub sezione Immagini [disponibili](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#neuron-inference-containers). All'avvio, il DLC recupererà il tuo modello da Amazon S3, avvierà Neuron TensorFlow Serving con il modello salvato e aspetterà 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 avviene tramite GRPC, il che richiede il trasferimento della funzionalità al contenitore. `IPC_LOCK` 1. Aggiungere la policy `AmazonS3ReadOnlyAccess` IAM al ruolo di istanza del nodo creato nel passaggio 1 di [Crea un cluster](#create-cluster-inferentia). 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 ``` 1. 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 scopo 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 ``` 1. Implementare il modello. ``` kubectl apply -f rn50_deployment.yaml ``` 1. Crea un file denominato `rn50_service.yaml` con i seguenti contenuti. Le porte HTTP e gRPC 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 ``` 1. Crea un servizio Kubernetes per la tua TensorFlow applicazione Model Serving. ``` kubectl apply -f rn50_service.yaml ``` ## (Facoltativo) Fai previsioni sul tuo servizio Serving TensorFlow 1. Per testare localmente, inoltrare la porta gRPC al servizio `eks-neuron-test`. ``` kubectl port-forward service/eks-neuron-test 8500:8500 & ``` 1. Creare uno script Python chiamato `tensorflow-model-server-infer.py` con il seguente contenuto. Questo script esegue l'inferenza tramite gRPC, che è un framework di servizi. ``` 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)) ``` 1. 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)]] ```