你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站,请访问 https://docs.azure.cn。
使用批处理模型部署进行图像处理
适用范围:Azure CLI ml 扩展 v2(最新版)Python SDK azure-ai-ml v2(最新版)
批量模型部署可用于处理表格数据,也可用于处理图像等任何其他文件类型。 MLflow 和自定义模型都支持这些部署。 本文介绍如何根据 ImageNet 分类部署图像分类模型。
先决条件
Azure 订阅。 如果没有 Azure 订阅,请在开始之前创建一个免费帐户。
一个 Azure 机器学习工作区。 若要创建工作区,请参阅管理 Azure 机器学习工作区。
Azure 机器学习工作区中的以下权限:
- 对于创建或管理批处理终结点和部署:使用已分配有
Microsoft.MachineLearningServices/workspaces/batchEndpoints/*
权限的“所有者”角色、“参与者”角色或自定义角色。 - 对于在工作区资源组中创建 Azure 资源管理器部署:使用在部署了工作区的资源组中已分配有
Microsoft.Resources/deployments/write
权限的“所有者”角色、“参与者”角色或自定义角色。
- 对于创建或管理批处理终结点和部署:使用已分配有
Azure 机器学习 CLI 或适用于 Python 的 Azure 机器学习 SDK:
运行以下命令,以安装 Azure CLI 和 Azure 机器学习的
ml
扩展:az extension add -n ml
Azure CLI 的
ml
扩展版本 2.7 中引入了批处理终结点的管道组件部署。 使用az extension update --name ml
命令获取最新版本。
连接到工作区
工作区是 Azure 机器学习的顶级资源。 它提供了一个集中的位置,用于处理你在使用 Azure 机器学习时创建的所有项目。 在本部分,你将连接到要在其中执行部署任务的工作区。
在以下命令中,输入你的订阅 ID、工作区名称、资源组名称以及位置:
az account set --subscription <subscription>
az configure --defaults workspace=<workspace> group=<resource-group> location=<location>
关于此示例
本文使用的模型使用 TensorFlow 和 RestNet 体系结构构建。 有关详细信息,请参阅深度残差网络中的标识映射。 可以下载此模型的示例。 该模型有以下约束:
- 适用于大小为 244x244 的图像(张量
(224, 224, 3)
)。 - 要求将输入缩放到范围
[0,1]
内。
本文中的信息基于 azureml-examples 存储库中包含的代码示例。 若要在不复制/粘贴 YAML 和其他文件的情况下在本地运行命令,请克隆存储库。 如果使用的是 Azure CLI,请将目录更改为 cli/endpoints/batch/deploy-models/imagenet-classifier;如果使用的是 SDK for Python,请将目录更改为 sdk/python/endpoints/batch/deploy-models/imagenet-classifier。
git clone https://github.com/Azure/azureml-examples --depth 1
cd azureml-examples/cli/endpoints/batch/deploy-models/imagenet-classifier
在 Jupyter Notebook 中继续操作
可以在 Jupyter Notebook 中按照此示例进行操作。 在克隆的存储库中,打开以下笔记本:imagenet-classifier-batch.ipynb。
利用批部署进行图像分类
此示例介绍如何部署可根据 ImageNet 分类对给定图像进行分类的深度学习模型。
创建终结点
创建托管模型的终结点:
指定终结点的名称。
ENDPOINT_NAME="imagenet-classifier-batch"
创建名为 endpoint.yml 的以下 YAML 文件来定义批处理终结点:
$schema: https://azuremlschemas.azureedge.net/latest/batchEndpoint.schema.json name: imagenet-classifier-batch description: A batch endpoint for performing image classification using a TFHub model ImageNet model. auth_mode: aad_token
若要创建终结点,请运行以下代码:
az ml batch-endpoint create --file endpoint.yml --name $ENDPOINT_NAME
注册模型
模型部署只能部署已注册的模型。 需要注册模型。 如果打算部署的模型已注册,则可以跳过此步骤。
下载模型副本。
注册模型。
创建评分脚本
创建评分脚本,该脚本能够读取批量部署提供的图像并返回模型的分数。
init
方法使用tensorflow
中的keras
模块来加载模型。run
方法针对批量部署提供的每个小批量运行。run
方法一次读取文件的一个图像。- 该
run
方法可将图像大小调整为模型的预期大小。 - 该
run
方法将图像重新缩放到范围[0,1]
域,即模型的预期内容。 - 脚本会返回与预测有关的类和概率。
此代码是 code/score-by-file/batch_driver.py 文件:
import os
import numpy as np
import pandas as pd
import tensorflow as tf
from os.path import basename
from PIL import Image
from tensorflow.keras.models import load_model
def init():
global model
global input_width
global input_height
# AZUREML_MODEL_DIR is an environment variable created during deployment
model_path = os.path.join(os.environ["AZUREML_MODEL_DIR"], "model")
# load the model
model = load_model(model_path)
input_width = 244
input_height = 244
def run(mini_batch):
results = []
for image in mini_batch:
data = Image.open(image).resize(
(input_width, input_height)
) # Read and resize the image
data = np.array(data) / 255.0 # Normalize
data_batch = tf.expand_dims(
data, axis=0
) # create a batch of size (1, 244, 244, 3)
# perform inference
pred = model.predict(data_batch)
# Compute probabilities, classes and labels
pred_prob = tf.math.reduce_max(tf.math.softmax(pred, axis=-1)).numpy()
pred_class = tf.math.argmax(pred, axis=-1).numpy()
results.append([basename(image), pred_class[0], pred_prob])
return pd.DataFrame(results)
提示
尽管图像由部署在小型批处理中提供,但此评分脚本一次仅处理一个图像。 这是一种常见模式,尝试加载整个批处理并将其一次性发送到模型可能会导致批处理执行程序(OOM 异常)的内存压力增大。
在某些情况下,这样做会在评分任务中出现高吞吐量。 通过 GPU 硬件进行批量部署就是这种情况,即需要实现高 GPU 利用率。 有关利用此方法的评分脚本,请参阅高吞吐量部署。
注意
若要部署一个会生成文件的生成式模型,请了解如何创作评分脚本:在批量部署中自定义输出。
创建部署
创建评分脚本后,请为其创建批量部署。 请按以下过程操作:
确保创建了一个可在其中创建部署的计算群集。 本示例使用名为
gpu-cluster
的计算群集。 使用 GPU 可加快处理速度,尽管这不是必需的。指示在哪个环境中运行部署。 在此示例中,模型在
TensorFlow
上运行。 Azure 机器学习已具备已安装所需软件的环境,因此你可以重复使用此环境。 需要在 conda.yml 文件中添加几个依赖项。创建部署。
如需在创建的终结点下创建新部署,请创建如以下示例所示的
YAML
配置。 对于其他属性,请参阅完整批处理终结点 YAML 架构。$schema: https://azuremlschemas.azureedge.net/latest/modelBatchDeployment.schema.json endpoint_name: imagenet-classifier-batch name: imagenet-classifier-resnetv2 description: A ResNetV2 model architecture for performing ImageNet classification in batch type: model model: azureml:imagenet-classifier@latest compute: azureml:gpu-cluster environment: name: tensorflow212-cuda11-gpu image: mcr.microsoft.com/azureml/curated/tensorflow-2.12-cuda11:latest conda_file: environment/conda.yaml code_configuration: code: code/score-by-file scoring_script: batch_driver.py resources: instance_count: 2 settings: max_concurrency_per_instance: 1 mini_batch_size: 5 output_action: append_row output_file_name: predictions.csv retry_settings: max_retries: 3 timeout: 300 error_threshold: -1 logging_level: info
使用以下命令创建部署:
az ml batch-deployment create --file deployment-by-file.yml --endpoint-name $ENDPOINT_NAME --set-default
尽管可以在终结点内部调用特定部署,但通常需要调用终结点本身,并支持终结点决定使用哪个部署。 此类部署称为默认部署。
这种方法允许更改默认部署,从而更改处理部署的模型,而无需更改与调用终结点的用户之间的协定。 使用以下代码更新默认部署:
az ml batch-endpoint update --name $ENDPOINT_NAME --set defaults.deployment_name=$DEPLOYMENT_NAME
批处理终结点随时可用。
测试部署
为测试终结点,请使用原始 ImageNet 数据集中的 1,000 个图像示例。 批处理终结点只能处理云中可从 Azure 机器学习工作区访问的数据。 将其上传到 Azure 机器学习数据存储中。 创建可用于调用终结点进行评分的数据资产。
注意
批处理终结点接受可存放在多种类型的位置的数据。
下载关联的示例数据。
用下载的数据创建数据资产。
在名为 imagenet-sample-unlabeled.yml 的
YAML
文件中创建数据资产定义:$schema: https://azuremlschemas.azureedge.net/latest/data.schema.json name: imagenet-sample-unlabeled description: A sample of 1000 images from the original ImageNet dataset. Download content from https://azuremlexampledata.blob.core.windows.net/data/imagenet-1000.zip. type: uri_folder path: data
创建数据资产。
az ml data create -f imagenet-sample-unlabeled.yml
数据已上传且随时可用以后,就可以调用终结点了。
提示
不需在调用操作中给出部署名称。 因为终结点会自动将作业路由到默认部署。 由于终结点只有一个部署,因此该部署为默认部署。 可通过指明自变量/参数 deployment_name
来将特定部署作为目标。
命令返回后立即启动批处理作业。 在作业完成前可监视作业状态。
部署完成后,请下载预测。
预测如以下输出所示。 为方便读者阅读,预测已与标签合并。 若要详细了解如何达到此效果,请参阅关联的笔记本。
import pandas as pd score = pd.read_csv("named-outputs/score/predictions.csv", header=None, names=['file', 'class', 'probabilities'], sep=' ') score['label'] = score['class'].apply(lambda pred: imagenet_labels[pred]) score
文件 类 概率 label n02088094_Afghan_hound.JPEG 161 0.994745 阿富汗猎犬 n02088238_basset 162 0.999397 basset n02088364_beagle.JPEG 165 0.366914 bluetick n02088466_bloodhound.JPEG 164 0.926464 侦探猎犬 ... ... ... ...
高吞吐量部署
如前所述,部署一次处理一张图像,即使在批量部署提供了一批图像的情况下也是如此。 大多数情况下,此方法最佳。 它简化了模型的运行方式,同时避免了任何可能出现的内存不足问题。 但是,在某些其他的情况下,可能需要尽量使用基础硬件。 例如,GPU 就是这种情况。
在这些情况下,可能需要对整批数据执行推理。 该方法需要将整个图像集加载到内存中,并将其直接发送到模型。 以下示例用TensorFlow
读取批量图像并对全部图像一起评分。 它还使用 TensorFlow
操作来执行任何数据预处理。 整个管道会出现在所使用的同一设备上 (CPU/GPU)。
警告
某些模型与输入的大小在内存消耗方面存在非线性关系。 若要避免出现内存不足的异常情况,请再次进行批处理(如本示例中所示)或减小批量部署创建的批大小。
创建评分脚本 code/score-by-batch/batch_driver.py:
import os import numpy as np import pandas as pd import tensorflow as tf from tensorflow.keras.models import load_model def init(): global model global input_width global input_height # AZUREML_MODEL_DIR is an environment variable created during deployment model_path = os.path.join(os.environ["AZUREML_MODEL_DIR"], "model") # load the model model = load_model(model_path) input_width = 244 input_height = 244 def decode_img(file_path): file = tf.io.read_file(file_path) img = tf.io.decode_jpeg(file, channels=3) img = tf.image.resize(img, [input_width, input_height]) return img / 255.0 def run(mini_batch): images_ds = tf.data.Dataset.from_tensor_slices(mini_batch) images_ds = images_ds.map(decode_img).batch(64) # perform inference pred = model.predict(images_ds) # Compute probabilities, classes and labels pred_prob = tf.math.reduce_max(tf.math.softmax(pred, axis=-1)).numpy() pred_class = tf.math.argmax(pred, axis=-1).numpy() return pd.DataFrame( [mini_batch, pred_prob, pred_class], columns=["file", "probability", "class"] )
- 该脚本会用批量部署发送的小型批处理构建张量数据集。 该数据集经预处理后可使用
map
函数运算decode_img
获取模型的预期张量。 - 数据集再次进行批处理 (16),以便将数据发送到模型。 可使用该参数控制可以加载到内存中并一次发送到模型的信息量。 如在 GPU 上运行,则需对该参数进行调整,以在收到 OOM 异常的通知之前达到 GPU 的最大使用率。
- 预测计算完成后,张量将转换为
numpy.ndarray
。
- 该脚本会用批量部署发送的小型批处理构建张量数据集。 该数据集经预处理后可使用
创建部署。
- 如需在创建的终结点下创建新部署,请创建如以下示例所示的
YAML
配置。 对于其他属性,请参阅完整批处理终结点 YAML 架构。
$schema: https://azuremlschemas.azureedge.net/latest/modelBatchDeployment.schema.json endpoint_name: imagenet-classifier-batch name: imagenet-classifier-resnetv2 description: A ResNetV2 model architecture for performing ImageNet classification in batch type: model model: azureml:imagenet-classifier@latest compute: azureml:gpu-cluster environment: name: tensorflow212-cuda11-gpu image: mcr.microsoft.com/azureml/curated/tensorflow-2.12-cuda11:latest conda_file: environment/conda.yaml code_configuration: code: code/score-by-batch scoring_script: batch_driver.py resources: instance_count: 2 tags: device_acceleration: CUDA device_batching: 16 settings: max_concurrency_per_instance: 1 mini_batch_size: 5 output_action: append_row output_file_name: predictions.csv retry_settings: max_retries: 3 timeout: 300 error_threshold: -1 logging_level: info
- 使用以下命令创建部署:
az ml batch-deployment create --file deployment-by-batch.yml --endpoint-name $ENDPOINT_NAME --set-default
- 如需在创建的终结点下创建新部署,请创建如以下示例所示的
可以将此新部署与前面显示的示例数据一起使用。 请记住,若要调用此部署,需在调用方法中指明部署的名称,或将其设置为默认部署。
处理图像的 MLflow 模型的注意事项
批处理终结点中的 MLflow 模型支持将图像读取为输入数据。 由于 MLflow 部署不需要评分脚本,因此使用它们时需要注意以下事项:
- 支持的图像文件包括:.png、.jpg、.jpeg、.tiff、.bmp 和 .gif。
- MLflow 模型应该会收到与输入图像的尺寸相匹配的输入
np.ndarray
。 为确保每次批处理均支持多种图像大小,批处理执行程序会针对每个图像文件调用一次 MLflow 模型。 - 强烈建议 MLflow 模型包含签名。 若包含签名,则签名必须为
TensorSpec
类型。 输入将重新调整为匹配张量的形状(如可用)。 如果没有可用的签名,则推断类型为np.uint8
的张量。 - 对于包含签名且能处理不同大小的图像的模型,应包含可以提供保证的签名。 例如,以下签名示例允许对 3 通道图像进行批处理。
import numpy as np
import mlflow
from mlflow.models.signature import ModelSignature
from mlflow.types.schema import Schema, TensorSpec
input_schema = Schema([
TensorSpec(np.dtype(np.uint8), (-1, -1, -1, 3)),
])
signature = ModelSignature(inputs=input_schema)
(...)
mlflow.<flavor>.log_model(..., signature=signature)
可以在 Jupyter 笔记本 imagenet-classifier-mlflow.ipynb 中找到一个工作示例。 若要详细了解如何在批量部署中使用 MLflow 模型,请参阅在批量部署中使用 MLflow 模型。