tensorflow tfserving 部署记录

1，环境

keras2.4.3
tensorflow2.2
模型为keras的h5格式
keras-bert 0.88
wsl2下，docker环境部署，nividia-container-toolkit
wsl2安装nividia-container-toolkit参考
https://docs.microsoft.com/zh-cn/windows/wsl/tutorials/gpu-compute
win10版本请务必更新为21H2以上

2，模型转PB格式

tfserving部署需要pb格式的模型
在keras下即可转换，转换代码

def get_mycustom_objects():
    # 模型在训练的时候会有自定义的一系列函数
    # 在从文件加载模型的时候，需要将其先前使用的一系列函数配件也传递给它
    my_objects = {
        'acc_top2': acc_top2,
        "metric_precision": metric_precision,
        "metric_recall": metric_recall,
        "metric_F1score": metric_F1score
    }
    from keras_bert import get_custom_objects
    custom_objects = get_custom_objects()
    custom_objects.update(my_objects)
    return custom_objects

def h5_to_pb(h5_model_path):
    """
    将h5模型转为pb格式
    :param h5_model_path:
    :return:
    """
    from keras.models import load_model
    model = load_model(h5_model_path, compile=False, custom_objects=get_mycustom_objects())
    model.save('trained_model/1/', save_format='tf')
    print("转换结束")

custom_objects 为模型在compile时传入的一系列函数零件，模型缺少这些无法完整运行，因为定义的时候这些零件就是模型一部分，比如

model.compile(
        loss='categorical_crossentropy',
        optimizer=Adam(1e-5),  # 用足够小的学习率
        metrics=['accuracy', acc_top2, metric_precision, metric_recall, metric_F1score]
    )

转换结束后，模型是一个文件夹，以数字命名，表示版本，从0开始

3，查看PB模型的输入签名

激活带tensorflow的py环境，cmd切换到PB模型所在目录，输入命令：
saved_model_cli show --dir=./ --all
命令输出如下，
其中input_1和input_2为输入，该模型为bert NLP分类模型
输出名为dense_1，但是后面不需要注意这个
serving_default为后面python post数据中注释的signature_name
按h5_to_pb导出h5模型为pb模型，没有对模型signature_name做定义，默认就是serving_default，所以post的时候可以不传，除非你对pb模型自定义了

MetaGraphDef with tag-set: 'serve' contains the following SignatureDefs:

signature_def['__saved_model_init_op']:
  The given SavedModel SignatureDef contains the following input(s):
  The given SavedModel SignatureDef contains the following output(s):
    outputs['__saved_model_init_op'] tensor_info:
        dtype: DT_INVALID
        shape: unknown_rank
        name: NoOp
  Method name is:

signature_def['serving_default']:
  The given SavedModel SignatureDef contains the following input(s):
    inputs['input_1'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, -1)
        name: serving_default_input_1:0
    inputs['input_2'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, -1)
        name: serving_default_input_2:0
  The given SavedModel SignatureDef contains the following output(s):
    outputs['dense_1'] tensor_info:
        dtype: DT_FLOAT
        shape: (-1, 4)
        name: StatefulPartitionedCall:0
  Method name is: tensorflow/serving/predict

4，docker启动服务

docker pull tensorflow/serving:latest-gpu
运行命令
docker run --gpus all --rm -p 8501:8501 -v /path/to/tensorflow_pb_model/:/models/<自己起一个模型名字> -e MODEL_NAME=<自己起一个模型名字> -t tensorflow/serving:latest-gpu &
查看wsl2ip地址命令，ip a |grep "global eth0"
输出为： inet 192.168.70.163/20 brd 192.168.79.255 scope global eth0
192.168.70.163为wsl2的地址，接下来就可以post数据了

5，我的客户端post请求接口代码

官方文档：https://www.tensorflow.org/tfx/serving/api_rest#request_format_2
预测接口请求数据的格式为

{
  // (Optional) Serving signature to use.
  // If unspecifed default serving signature is used.
  "signature_name": <string>,

  // Input Tensors in row ("instances") or columnar ("inputs") format.
  // A request can have either of them but NOT both.
  // 下面两个格式任选一种，本人选的第二种
  "instances": <value>|<(nested)list>|<list-of-objects>
  "inputs": <value>|<(nested)list>|<object>
}

tfserving 有两种输入格式
一种是row/instances行格式，一种是column/inputs列格式，代码使用第二种格式
row/instances格式是，instances为list[]，包含一个个instance，每一个instance是一个完整的样本输入dict，包含input_1和input_2
column/inputs格式是，inputs为dict{}，每一个输入样本有两个输入input_1和input_2，将样本的相同输入分别放在一个列表

import json
import requests, codecs
from keras_bert import Tokenizer
from keras.utils import to_categorical
import numpy as np

model_name ='modelname'
maxlen = 180
dict_path = r'bert/vocab.txt'

label2int = {
    "0": 0,
    "1": 1,
    "2": 2,
    "?": 3,
    "？": 3,
    "3": 3,
    "4": 1
}
numofcategories = len(set(label2int.values()))

# 重写tokenizer
class OurTokenizer(Tokenizer):
    def _tokenize(self, text):
        R = []
        for c in text:
            if c in self._token_dict:
                R.append(c)
            elif self._is_space(c):
                R.append('[unused1]')
            else:
                R.append('[UNK]')
        return R


def get_token_dict():
    """
    # 将词表中的字编号转换为字典
    :return: 返回自编码字典
    """
    token_dict = {}
    with codecs.open(dict_path, 'r', 'utf8') as reader:
        for line in reader:
            token = line.strip()
            token_dict[token] = len(token_dict)
    return token_dict


def text2input(text_list):
    tokenizer = OurTokenizer(get_token_dict())
    X1, X2, Y = [], [], []
    for text in text_list:
        text = text[:maxlen]
        x1, x2 = tokenizer.encode(first=text)
        X1.append(x1)
        X2.append(x2)
    return [X1, X2]


if __name__ == '__main__':
    textlist = ["芜湖起飞","大威天龙"]
    x = text2input(textlist)
    print(x)

    inputs = {}
    input_data = {
        # "signature_name": 'serving_default',  # 转换pb模型时没有自定义签名，就可以省略
        "inputs": {
            "input_1": x[0],  # input_1列表
            "input_2": x[1],  # input_2列表
        },
    }
    headers = {"content-type": "application/json"}
    data = json.dumps(input_data, indent=None)
    url = "http://192.168.70.163:8501/v1/models/" + model_name + ":predict"
    json_response = requests.post(url, data=data, headers=headers)
    # print(json_response.content)
    outputs = np.array(json.loads(json_response.text)['outputs'])
    print(outputs)
    y = [np.argmax(s) for s in outputs]
    print(y)