5-3　模型部署与TorchServe

一般深度学习的模型安装的选项如下：

（1）本地服务器(Local Server)。

（2）云端服务器(Cloud Server)。

（3）边缘运算(IoT Hub)：譬如要侦测全省的温度，我们会在各县市安装上千个传感器，每个IoT Hub会负责多个传感器的信号接收、初步过滤和分析，分析完成后再将数据送到数据中心。

呈现的方式可能是网页、手机App或桌面程序，以下先就网页开发作一说明。

5-3-1　自行开发网页程序

若是自行开发网页程序，并且安装在本地服务器的话，可以运用Python套件，例如Django、Flask或Streamlit，快速建立网页。其中Streamlit最为简单，不需要懂HTML/CSS/Javascript，只靠Python一招半式就可以搞定一个初阶的网站，以下我们实际建立一个手写阿拉伯数字的辨识网站。

（1）安装Streamlit套件：pip install streamlit。

（2）执行此Python程序，必须以streamlit run开头，而非python执行，例如，streamlit run 05_07_web.py。

（3）网页显示后，拖曳myDigits目录内的任一文件至画面中的上传图片文件区域，就会显示辨识结果，也可以使用绘图软件书写数字。

程序代码说明如下。

完整程序请参阅【05_07_web.py】。

（1）加载相关套件。

（2）模型加载：其中@st.cache可以将模型存储至快取(Cache)，避免每一次请求都至硬盘读取，拖慢预测速度。

（3）上传图文件。

（4）文件上传后，执行下列工作。

第24~28行：把图像缩小成宽高各为(28, 28)。

第31行：RGB的白色为255，但训练数据MNIST的白色为0，故需反转颜色。

第34行：辨识上传文件。

5-3-2　TorchServe

TorchServe与TensorFlow Serving类似，直接提供一个具有弹性且强大的网页服务，支持平行处理、分散处理及批处理，架构如图5.1所示。

TorchServe安装非常复杂，笔者花了一天才测试成功，详细说明可参阅TorchServe官网 ^[9] 。依照TorchServe GitHub说明，安装及使用程序如下。

（1）安装Java Run Time(JRE)，必须为v.11版以上(https://download.java.net/java/GA/jdk11/9/GPL/openjdk-11.0.2_windows-x64_bin.zip)，并在环境变量Path中加入C:\Program Files\Java\jdk-11.0.2\bin，在环境变量CLASSPATH中加入C:\Program Files\Java\jdk-11.0.2\lib。

（2）安装TorchServe，指令如下。 注意，官网漏列captum套件安装，未安装时会出现错误信息“Load model failed” ：

pip install torchserve torch-model-archiver torch-workflow-archiver captum

（3）下载TorchServe GitHub原始码：https://github.com/pytorch/serve.git。

（4）复制模型：建立model_store子目录，自https://download.pytorch.org/models/densenet161-8d451a50.pth下载训练好的DenseNet模型至model_store子目录，注意，必须是torch.save(model.state_dict(), "model.pt")，而非torch.save(model, 'model.pt')。

（5）在serve目录下开启cmd或终端机，产生模型存盘(Archive)：会产生densenet161.mar文件，笔者已将下列指令存成archive.bat。

torch-model-archiver --force --model-name densenet161 --version 1.0 --model-file examples\image_classifier\densenet_161\model.py --serialized-file model_store\densenet161-8d451a50.pth --extra-files examples\image_classifier\index_to_name.json --handler image_classifier --export-path=model_store

（6）启动TorchServe服务器端：注意有无错误信息，默认会启动三个worker，笔者已将下列指令存成run.bat，参数--ncs会忽略上次执行的组态文件，预设为背景(Background)执行：

torchserve --start --ncs --model-store model_store --models densenet161.mar

（7）再安装Google RPC (GRPC)相关套件，以利联机TorchServe服务器：

pip install -U grpcio protobuf grpcio-tools

（8）产生GRPC客户端组态文件，笔者已将下列指令存成generate_inference_client.bat：

python -m grpc_tools.protoc --proto_path=frontend/server/src/main/resources/proto/--python_out=ts_scripts --grpc_python_out=ts_scripts frontend/server/src/main/resources/proto/inference.proto frontend/server/src/main/resources/proto/management.proto

（9）预测：指定一张图片(kitten.jpg)，送出请求，笔者已将下列指令存成inference.bat：

python ts_scripts/torchserve_grpc_client.py infer densenet161 examples/image_classifier/kitten.jpg

执行结果：如下，预测为虎斑猫(tabby)，概率为46%。

（10）停止TorchServe服务器执行。

torchserve --stop

范例.使用模型辨识MNIST，说明如何运作自定义的模型服务。

程序参阅serve\examples\image_classifier\mnist\README.md，整理如下，相关文件均位于serve\examples\image_classifier\mnist目录：

（1）建立模型结构：内容如mnist.py。

（2）准备训练好的模型文件：mnist_cnn.pt。

（3）输入数据处理：内容如mnist_handler.py。

（4）产生模型存盘(Archive)：会产生mnist.mar文件。

torch-model-archiver --model-name mnist --version 1.0 --model-file examples/image_classifier/mnist/mnist.py --serialized-file examples/image_classifier/mnist/mnist_cnn.pt--handler examples/image_classifier/mnist/mnist_handler.py --export-path=model_store

（5）启动TorchServe服务器端：注意有无错误信息。

torchserve --start --ncs --model-store model_store --models mnist.mar

（6）预测：指定一张图片(2.png)，送出请求。

python ts_scripts/torchserve_grpc_client.py infer mnist examples\image_classifier\mnist\test_data\2.png

执行结果：2，辨识无误，如果要使用自己的图像，注意要黑白反转。

由上述范例可以看出Server端完全不必编写程序，非常方便。但是，前置安装要细心处理，忽略一个步骤，可能就会发生错误，serve\examples目录下还有很多的范例模型，读者可以自己试试看。 9Xo8a55CDAodseOTfMAHyh2fhSjCzkJSq3kQoXpVkbRPkOL4L6Eg1WdtVu/kxN8D