Cómo empaquetar un modelo registrado con Docker

Artículo
09/03/2024

En este artículo se muestra cómo empaquetar un modelo de Azure Machine Learning registrado con Docker.

Requisitos previos

En este artículo se da por supuesto que ya ha entrenado y registrado un modelo en el área de trabajo de aprendizaje automático. Para obtener información sobre cómo entrenar y registrar un modelo de scikit-learn, siga este tutorial.

Modelos de paquetes

En algunos casos, es posible que desee crear una imagen de Docker sin implementar el modelo. O bien, puede que desee descargar la imagen y ejecutarla en una instalación local de Docker. Incluso, puede que desee descargar los archivos usados para compilar la imagen, inspeccionarlos, modificarlos y compilar la imagen manualmente.

El empaquetado de modelos permite hacer estas cosas. Empaqueta todos los recursos necesarios para hospedar un modelo como servicio web y le permite descargar una imagen de Docker totalmente compilada o los archivos necesarios para compilar una. Hay dos maneras de usar el empaquetado del modelos:

Descarga de un modelo empaquetado: descargue una imagen de Docker que contiene el modelo y otros archivos necesarios para hospedarla como servicio web.

Generar un Dockerfile: descargue el Dockerfile, el modelo, el script de entrada y otros recursos necesarios para compilar una imagen de Docker. Después, puede inspeccionar los archivos o realizar cambios antes de compilar la imagen localmente.

Ambos paquetes se pueden usar para obtener una imagen de Docker local.

Sugerencia

La creación de un paquete es similar a la implementación de un modelo. Se usa un modelo registrado y una configuración de inferencia.

Importante

Para descargar una imagen completamente compilada o compilar una imagen localmente, debe tener Docker instalado en el entorno de desarrollo.

Descarga del modelo empaquetado

En el ejemplo siguiente se muestra cómo compilar una imagen, que se registra en el registro de contenedor de Azure del área de trabajo:

package = Model.package(ws, [model], inference_config)
package.wait_for_creation(show_output=True)

Después de crear un paquete, puede usar package.pull() para extraer la imagen en el entorno de Docker local. La salida de este comando mostrará el nombre de la imagen. Por ejemplo:

Status: Downloaded newer image for myworkspacef78fd10.azurecr.io/package:20190822181338.

Después de descargar el modelo, use el comando docker images para ver en una lista las imágenes locales:

REPOSITORY                               TAG                 IMAGE ID            CREATED             SIZE
myworkspacef78fd10.azurecr.io/package    20190822181338      7ff48015d5bd        4 minutes ago       1.43 GB

Para iniciar un contenedor local basándose en esta imagen, use el siguiente comando para iniciar un contenedor con nombre desde el shell o desde la línea de comandos. Reemplace el valor <imageid> por el identificador de la imagen que el comando docker images devuelve.

docker run -p 6789:5001 --name mycontainer <imageid>

Este comando inicia la versión más reciente de la imagen con nombre myimage. Asigna el puerto local 6789 al puerto del contenedor en el que el servicio web está escuchando (5001). También asigna el nombre mycontainer al contenedor, lo que facilita la detención de este. Una vez iniciado el contenedor, puede enviar solicitudes a http://localhost:6789/score.

Generación de un Dockerfile y dependencias

En el ejemplo siguiente se muestra cómo descargar el Dockerfile, el modelo y otros recursos necesarios para compilar una imagen localmente. El parámetro generate_dockerfile=True indica que quiere los archivos, no una imagen completamente compilada.

package = Model.package(ws, [model], inference_config, generate_dockerfile=True)
package.wait_for_creation(show_output=True)
# Download the package.
package.save("./imagefiles")
# Get the Azure container registry that the model/Dockerfile uses.
acr=package.get_container_registry()
print("Address:", acr.address)
print("Username:", acr.username)
print("Password:", acr.password)

Este código descarga los archivos necesarios para compilar la imagen en el directorio imagefiles. El Dockerfile incluido en los archivos guardados hace referencia a una imagen base almacenada en un registro de contenedor de Azure. Al compilar la imagen en la instalación de Docker local, necesita usar la dirección, el nombre de usuario y la contraseña para autenticarse en el registro. Siga estos pasos para compilar la imagen mediante una instalación local de Docker:

Desde un shell o una sesión de línea de comandos, use el comando siguiente para autenticar Docker con el registro de contenedor de Azure. Reemplace <address>, <username> y <password> por los valores recuperados con package.get_container_registry().
```
docker login <address> -u <username> -p <password>
```
Para compilar la imagen, utilice el siguiente comando. Reemplace <imagefiles> por la ruta de acceso del directorio donde package.save() guardó los archivos.
```
docker build --tag myimage <imagefiles>
```
Este comando establece el nombre de la imagen en myimage.

Para comprobar la imagen está compilada, use el comando docker images. Debería ver la imagen myimage en la lista:

REPOSITORY      TAG                 IMAGE ID            CREATED             SIZE
<none>          <none>              2d5ee0bf3b3b        49 seconds ago      1.43 GB
myimage         latest              739f22498d64        3 minutes ago       1.43 GB

Para iniciar un nuevo contenedor basado en esta imagen, use el comando siguiente:

docker run -p 6789:5001 --name mycontainer myimage:latest

Cliente de ejemplo para probar el contenedor local

El código siguiente es un ejemplo de un cliente de Python que se puede usar con el contenedor:

import requests
import json

# URL for the web service.
scoring_uri = 'http://localhost:6789/score'

# Two sets of data to score, so we get two results back.
data = {"data":
        [
            [ 1,2,3,4,5,6,7,8,9,10 ],
            [ 10,9,8,7,6,5,4,3,2,1 ]
        ]
        }
# Convert to JSON string.
input_data = json.dumps(data)

# Set the content type.
headers = {'Content-Type': 'application/json'}

# Make the request and display the response.
resp = requests.post(scoring_uri, input_data, headers=headers)
print(resp.text)

Para ver clientes de ejemplo en otros lenguajes de programación, vea Consumir modelos implementados como servicios web.

Detención del contenedor de Docker

Para detener el contenedor, use el siguiente comando desde una línea de comandos o un shell diferente:

docker kill mycontainer

Compartir a través de