使用函数计算三步实现深度学习 AI 推理在线服务
目前深度學(xué)習(xí)應(yīng)用廣發(fā)， 其中 AI 推理的在線服務(wù)是其中一個重要的可落地的應(yīng)用場景。本文將為大家介紹使用函數(shù)計(jì)算部署深度學(xué)習(xí) AI 推理的最佳實(shí)踐, ?其中包括使用 FUN 工具一鍵部署安裝第三方依賴、一鍵部署、本地調(diào)試以及壓測評估， 全方位展現(xiàn)函數(shù)計(jì)算的開發(fā)敏捷特性、自動彈性伸縮能力、免運(yùn)維和完善的監(jiān)控設(shè)施。
1.1 DEMO 概述
通過上傳一個貓或者狗的照片， 識別出這個照片里面的動物是貓還是狗
- DEMO 示例效果入口： http://sz.mofangdegisn.cn
- DEMO 示例工程地址： https://github.com/awesome-fc/cat-dog-classify
開通服務(wù)
免費(fèi)開通函數(shù)計(jì)算， 按量付費(fèi)，函數(shù)計(jì)算有很大的免費(fèi)額度。
免費(fèi)開通文件存儲服務(wù)NAS， 按量付費(fèi)
1.2 解決方案
如上圖所示， 當(dāng)多個用戶通過對外提供的 url 訪問推理服務(wù)時候，每秒的請求幾百上千都沒有關(guān)系， 函數(shù)計(jì)算平臺會自動伸縮， 提供足夠的執(zhí)行實(shí)例來響應(yīng)用戶的請求， 同時函數(shù)計(jì)算提供了完善的監(jiān)控設(shè)施來監(jiān)控您的函數(shù)運(yùn)行情況。
1.3. Serverless 方案與傳統(tǒng)自建服務(wù)方案對比
1.3.1 卓越的工程效率
| 基礎(chǔ)設(shè)施 | 需要用戶采購和管理 | 無 |
| 開發(fā)效率 | 除了必要的業(yè)務(wù)邏輯開發(fā),需要自己建立相同線上運(yùn)行環(huán)境， 包括相關(guān)軟件的安裝、服務(wù)配置、安全更新等一系列問題 | 只需要專注業(yè)務(wù)邏輯的開發(fā), 配合 FUN 工具一鍵資源編排和部署 |
| 學(xué)習(xí)上手成本 | 可能使用 K8S 或彈性伸縮( ESS )，需要了解更多的產(chǎn)品、名詞和參數(shù)的意義 | 會編寫對應(yīng)的語言的函數(shù)代碼即可 |
1.3.2 彈性伸縮免運(yùn)維
| 彈性高可用 | 需要自建負(fù)載均衡 (SLB)，彈性伸縮，擴(kuò)容縮容速度較 FC 慢 | FC系統(tǒng)固有毫秒級別彈性伸縮，快速實(shí)現(xiàn)底層擴(kuò)容以應(yīng)對峰值壓力，免運(yùn)維 |
| 監(jiān)控報(bào)警查詢 | ECS 級別的 metrics | 提供更細(xì)粒度的函數(shù)執(zhí)行情況，每次訪問函數(shù)執(zhí)行的 latency 和日志等， 更加完善的報(bào)警監(jiān)控機(jī)制 |
1.3.3 更低的成本
- 函數(shù)計(jì)算 (FC) 固有自動伸縮和負(fù)載均衡功能，用戶不需要購買負(fù)載均衡 (SLB) 和彈性伸縮。
- 具有明顯波峰波谷的用戶訪問場景(比如只有部分時間段有請求，其他時間甚至沒有請求)，選擇按需付費(fèi)，只需為實(shí)際使用的計(jì)算資源付費(fèi)。
對于明顯波峰波谷或者稀疏調(diào)用具有低成本優(yōu)勢， 同時還保持了彈性能力，以后業(yè)務(wù)規(guī)模做大以后并沒有技術(shù)切換成本，同時財(cái)務(wù)成本增長配合預(yù)付費(fèi)也能保持平滑。
- 部分請求持續(xù)平穩(wěn)的場景下,可以配合預(yù)付費(fèi)解決按需付費(fèi)較高單價(jià)問題。函數(shù)計(jì)算成本優(yōu)化最佳實(shí)踐文檔。
假設(shè)有一個在線計(jì)算服務(wù)，由于是CPU 密集型計(jì)算， 因此在這里我們將平均 CPU 利用率作為核心參考指標(biāo)對成本，以一個月為周期，10臺 C5 ECS 的總計(jì)算力為例，總的計(jì)算量約為 30% 場景下， 各解決方案 CPU 資源利用率使用情況示意圖大致如下:
由上圖預(yù)估出如下計(jì)費(fèi)模型：
- 函數(shù)計(jì)算預(yù)付費(fèi) 3CU 一個月: 246.27 元， 計(jì)算能力等價(jià)于 ECS 計(jì)算型 C5
- ECS 計(jì)算型 C5 (2vCPU,4GB) 云盤: 包月219 元，按量: 446.4 元
- 包月10 Mbps 的 SLB: 526.52 元(這里做了一定的流量假設(shè))， 彈性伸縮免費(fèi)
- 飽和使用下，函數(shù)計(jì)算按量付費(fèi)的一臺機(jī)器成本約為按量付費(fèi) C5 ECS 的2 倍
| 函數(shù)計(jì)算組合付費(fèi) | >=80% | 738 X（246.27*3 X） | 無 | <= 738 X |
| 按峰值預(yù)留ECS | <=30% | 2190（10*219） | 526.52 | >=2716.52 |
| 彈性伸縮延遲敏感 | <=50% | 1314（102193/5） | 526.52 | >= 1840.52 |
| 彈性伸縮成本敏感 | <=70% | 938.57 (102193/7) | 526.52 | >= 1465.09 |
注：
1. 這里假設(shè)函數(shù)邏輯沒有公網(wǎng)公網(wǎng)下行流量費(fèi)用， 即使有也是一致的， 這里成本比較暫不參與
2. 延時敏感，當(dāng) CPU 利用率大于等于 50% 就需要開始進(jìn)行擴(kuò)容，不然更來不及應(yīng)對峰值
3. 成本敏感，當(dāng) CPU 利用率大約 80% 即開始進(jìn)行擴(kuò)容， 能容受一定幾率的超時或者5XX
上表中， 其中函數(shù)計(jì)算組合付費(fèi)中的 X 為按需付費(fèi)的成本價(jià)，假設(shè)按需付費(fèi)的計(jì)算量占整個計(jì)算量的 10%，假設(shè) CPU 利用率為100%, ?對應(yīng)上表，那么需要 3 臺 ECS 的計(jì)算能力即可。因此 FC 按量付費(fèi)的成本 X = 3 ?446.4 ? 10% ? 2 = ?267.84 （ FC 按量付費(fèi)是按量 ECS 的2倍），這個時候函數(shù)計(jì)算組合付費(fèi)總計(jì) ?1005.8 元。 在這個模型預(yù)估里面， 只要 FC 按量付費(fèi)占整個計(jì)算量小于 20%， 即使不考慮 SLB, 單純考慮計(jì)算成本， 都是有一定優(yōu)勢的。
1.3.4. 小結(jié)
基于函數(shù)計(jì)算進(jìn)行 AI 推理等 CPU 密集型的主要優(yōu)勢：
- 自建方案有太多學(xué)習(xí)和配置成本，如針對不同場景，ESS 需要做各種不同的參數(shù)配置
- 系統(tǒng)環(huán)境的維護(hù)升級等
- 請求訪問具有明顯波峰波谷， 其他時間甚至沒有請求
- 有一定穩(wěn)定的負(fù)載請求， 但是有部分時間段請求量突變劇烈
打包代碼ZIP包和部署函數(shù)
FUN 操作簡明視頻教程
開通服務(wù)
免費(fèi)開通函數(shù)計(jì)算， 按量付費(fèi)，函數(shù)計(jì)算有很大的免費(fèi)額度。
免費(fèi)開通文件存儲服務(wù)NAS， 按量付費(fèi)
2.1 安裝第三方包到本地并上傳到NAS
2.1.1 安裝最新的Fun
- 安裝版本為8.x 最新版或者10.x 、12.x nodejs
- 安裝 funcraf
2.1.2 Clone 工程 & Fun 一鍵安裝第三方庫到本地
- git clone https://github.com/awesome-fc/cat-dog-classify.git
- 復(fù)制 .env_example 文件為 .env, 并且修改 .env 中的信息為自己的信息
- 執(zhí)行 fun install -v, ?fun 會根據(jù) Funfile 中定義的邏輯安裝相關(guān)的依賴包
根據(jù) Funfile 的定義：
- 將第三方庫下載到 .fun/nas/auto-default/classify/python 目錄下
- 本地 model 目錄移到 .fun/nas/auto-default/model 目錄下
安裝完成后，從這里我們看出， 函數(shù)計(jì)算引用的代碼包解壓之后已經(jīng)達(dá)到了 670 M, 遠(yuǎn)超過 50M 代碼包限制, 解決方案是 NAS 詳情可以參考: ?掛載NAS訪問，幸運(yùn)的是 FUN 工具一鍵解決了 nas 的配置和文件上傳問題。
2.1.3. 將下載的依賴的第三方代碼包上傳到 NAS
fun nas init fun nas info fun nas sync fun nas ls nas://classify:/mnt/auto/依次執(zhí)行這些命令，就將本地中的 .fun/nas/auto-default 中的第三方代碼包和模型文件傳到 NAS 中, 依次看下這幾個命令的做了什么事情:
- fun nas init: 初始化 NAS, 基于您的 .env 中的信息獲取(已有滿足條件的nas)或創(chuàng)建一個同region可用的nas
- fun nas info: 可以查看本地 NAS 的目錄位置, 對于此工程是 $(pwd)/.fun/nas/auto-default/classify
- fun nas sync: 將本地 NAS 中的內(nèi)容（.fun/nas/auto-default/classify）上傳到 NAS 中的 classify 目錄
- fun nas ls nas:///mnt/auto/: 查看我們是否已經(jīng)正確將文件上傳到了 NAS
登錄 NAS 控制臺 https://nas.console.aliyun.com 和 VPC 控制臺 https://vpc.console.aliyun.com
可以觀察到在指定的 region 上有 NAS 和 相應(yīng)的 vpc 創(chuàng)建成功
2.2 本地調(diào)試函數(shù)
在 template.yml 中， 指定了這個函數(shù)是 http 類型的函數(shù)， 所以根據(jù) fun 的提示:
Tips for next step ====================== * Invoke Event Function: fun local invoke * Invoke Http Function: fun local start * Build Http Function: fun build * Deploy Resources: fun deploy執(zhí)行 fun local start, ?本地就會啟動一個 http server 來模擬函數(shù)的執(zhí)行， 然后我們 client 端可以使用 postman， curl 或者瀏覽器， 比如對于本例：
2.3 部署函數(shù)到FC平臺
本地調(diào)試OK 后，我們接下來將函數(shù)部署到云平臺：
修改 template.yml LogConfig 中的 Project, 任意取一個不會重復(fù)的名字即可，有兩處地方需要更改，然后執(zhí)行
fun deploy
注意: ?template.yml 注釋的部分為自定義域名的配置, 如果想在 fun deploy 中完成這個部署工作:
- 先去域名解析, 比如在示例中, 將域名 sz.mofangdegisn.cn 解析到 123456.cn-hangzhou.fc.aliyuncs.com, 對應(yīng)的域名、accountId 和 region 修改成自己的
- 去掉 template.yml 中的注釋, 修改成自己的域名
- 執(zhí)行 fun deploy
這個時候如果沒有自定義域名， 直接通過瀏覽器訪問訪問http trigger 的url， 比如 https://123456.cn-shenzhen.fc.aliyuncs.com/2016-08-15/proxy/classify/cat-dog/ 會被強(qiáng)制下載.
原因:https://help.aliyun.com/knowledge_detail/56103.html#HTTP-Trigger-compulsory-header
登錄控制臺https://fc.console.aliyun.com，可以看到service 和 函數(shù)已經(jīng)創(chuàng)建成功， 并且 service 也已經(jīng)正確配置。
在這里，我們發(fā)現(xiàn)第一次打開頁面訪問函數(shù)的時候，執(zhí)行環(huán)境實(shí)例冷啟動時間非常長， 如果是一個在線AI推理服務(wù)，對響應(yīng)時間非常敏感，冷啟動引起的毛刺對于這種類型的服務(wù)是不可接受的，接下來，本文講解如何利用函數(shù)計(jì)算的預(yù)留模式來消除冷啟動帶來的負(fù)面影響。
使用預(yù)留模式消除冷啟動毛刺
函數(shù)計(jì)算具有動態(tài)伸縮的特性， 根據(jù)并發(fā)請求量，自動彈性擴(kuò)容出執(zhí)行環(huán)境來執(zhí)行環(huán)境，在這個典型的深度學(xué)習(xí)示例中，import keras 消耗的時間很長 ， 在我們設(shè)置的 1 G 規(guī)格的函數(shù)中， 并發(fā)訪問的時候耗時10s左右， 有時甚至20s
start = time.time() from keras.models import model_from_json print("import keras time = ", time.time()-start)3.1 函數(shù)計(jì)算設(shè)置預(yù)留
預(yù)留操作簡明視頻教程
- 在 FC 控制臺，發(fā)布版本，并且基于該版本創(chuàng)建別名 prod，并且基于別名 prod 設(shè)置預(yù)留, 操作過程請參考：https://help.aliyun.com/document_detail/138103.html
- 將該函數(shù)的 http trigger 和 自定義域名的設(shè)置執(zhí)行 prod 版本
一次壓測結(jié)果
從上面圖中我們可以看出，當(dāng)函數(shù)執(zhí)行的請求到來時，優(yōu)先被調(diào)度到預(yù)留的實(shí)例中被執(zhí)行， 這個時候是沒有冷啟動的，所以請求是沒有毛刺的， 后面隨著測試的壓力不斷增大(峰值TPS 達(dá)到 1184), 預(yù)留的實(shí)例不能滿足調(diào)用函數(shù)的請求， 這個時候函數(shù)計(jì)算就自動進(jìn)行按需擴(kuò)容實(shí)例供函數(shù)執(zhí)行，此時的調(diào)用就有冷啟動的過程， 從上面我們可以看出，函數(shù)的最大 latency 時間甚至達(dá)到了 32s，如果這個web AP是延時敏感的，這個 latency 是不可接受的。
總結(jié)
- 函數(shù)計(jì)算具有快速自動伸縮擴(kuò)容能力
- 預(yù)留模式很好地解決了冷啟動中的毛刺問題
- 開發(fā)簡單易上手，只需要關(guān)注具體的代碼邏輯， Fun 工具助您一鍵式部署運(yùn)用
- 函數(shù)計(jì)算具有很好監(jiān)控設(shè)施, 您可以可視化觀察您函數(shù)運(yùn)行情況， 執(zhí)行時間、內(nèi)存等信息
有任何問題歡迎進(jìn)掃碼進(jìn)釘釘群溝通
“阿里巴巴云原生關(guān)注微服務(wù)、Serverless、容器、Service Mesh 等技術(shù)領(lǐng)域、聚焦云原生流行技術(shù)趨勢、云原生大規(guī)模的落地實(shí)踐，做最懂云原生開發(fā)者的技術(shù)圈。”
總結(jié)
以上是生活随笔為你收集整理的使用函数计算三步实现深度学习 AI 推理在线服务的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 函数计算: 让小程序开发进入 Serve
- 下一篇： Go 开发关键技术指南 | 为什么你要