OpenShift 4 - 使用 Model Serving 运行模型

news2024/11/24 16:57:27

《OpenShift / RHEL / DevSecOps 汇总目录》
说明：本文已经在 OpenShift 4.14 + RHODS 2.50 的环境中验证

说明：请先根据《OpenShift 4 - 部署 OpenShift AI 环境，运行 AI/ML 应用（视频）》一文完成 OpenShift AI 环境的安装。
注意：如无特殊说明，和 OpenShift AI 相关的 Blog 均无需 GPU。

文章目录

什么是 Model Serving
使用 Model Serving 运行模型
- 准备对象存储
- 生成模型文件
- 运行模型
- - 配置 Data connection
  - 运行模型服务器
  - 部署模型
- 测试访问模型
参考

什么是 Model Serving

Model Serving 是指将机器学习模型部署到生产环境中，以便实时处理和提供预测服务。在模型训练完成后，通常需要对其进行部署以供实际应用使用。

在 RHOAI 的 Model Serving 中包含了 Model Server 以及被运行的模型。

使用 Model Serving 运行模型

准备对象存储

请先根据《OpenShift 4 - 管理和使用 OpenShift AI 运行环境》一文安装 MinIO，并创建一个名为 rhoai-bucket 的存储桶。

生成模型文件

以一般用户在 RHOAI 控制台中创建名为 model-serving-demo 的 Data Science Projects 项目。
创建名为 model-serving-demo 的 Workbench，使用 Standard Data Science 镜像即可。
打开 Jupyter Notebook 界面，然后导入 https://github.com/RedHatQuickCourses/rhods-qc-apps.git。
在 Launch 界面中打开一个 Terminal，然后在其中执行以下命令。

(app-root) (app-root) pip install -r /opt/app-root/src/rhods-qc-apps/4.rhods-deploy/chapter2/requirements.txt

打开 rhods-qc-apps/4.rhods-deploy/chapter2/iris_to_onnx.ipynb 文件，然后在菜单中点击 Run > Run Selected Cells，完成执行后会生成 rf_iris.onnx 模型文件。
右键点击 rf_iris.onnx 文件，然后从菜单中使用 Download 下载文件到本地。
在 MinIO 控制台上将 rf_iris.onnx 文件上传到 rhoai-bucket/iris 路径下。

运行模型

配置 Data connection

在 RHOAI 控制台的 model-serving-demo 项目页面中点击 Add data connection 按钮。
按照下图配置将使用的数据链接，其中 Endpoint 填写的是名为 minio-api 的 route 地址。

运行模型服务器

在 RHOAI 控制台的 model-serving-demo 项目页面中点击 Add model server 按钮。
按照下图配置要运行的模型服务器。

部署模型

点击 iris-model-server 一行的右侧的 Deploy model 按钮。
按照下图配置要部署运行的模型。
模型部署完成后在 RHOAI 的 model-serving-demo 项目将显示下图，其中模型 iris-mode 显示绿色 Loaded 状态。

同时还可在 Model Serving 菜单中看到项目中已经部署运行的模型。

另外，还可在 OpenShift 的开发者视图里看到该项目中的和模型服务器相关的资源拓扑情况和运行状态。

测试访问模型

运行命令以下命令。

$ export IRIS_ROUTE=https://$(oc get routes -n model-serving-demo | grep iris-model | awk '{print $2}')/v2/models/iris-model/infer
$ export TOKEN=$(oc whoami -t)

向运行的模型发请求，并获得模型推理返回结果。

$ curl -s -H "Authorization: Bearer $TOKEN" $IRIS_ROUTE  -X POST  --data '{"inputs" : [{"name" : "X","shape" : [ 1, 4 ],"datatype" : "FP32","data" : [ 3, 4, 3, 2 ]}],"outputs" : [{"name" : "output0"}]}' | jq
{
  "model_name": "iris-model__isvc-4e49574209",
  "model_version": "1",
  "outputs": [
    {
      "name": "label",
      "datatype": "INT64",
      "shape": [
        1
      ],
      "data": [
        0
      ]
    },
    {
      "name": "scores",
      "datatype": "FP32",
      "shape": [
        1,
        3
      ],
      "data": [
        3.1270404,
        3.4207978,
        4.8063498
      ]
    }
  ]
}