模型秒变API只需一行代码，支持TensorFlow等框架

还在为机器学习模型打包成 API 发愁？这个工具能让你一行代码直接打包。

专注于机器学习应用的人们知道，从训练好的模型到实际的工业生产工具还有一定的距离。其中工作量很大的地方在于将模型打包，预留 API 接口，并和现有的生产系统相结合。近日，GitHub 上有了这样一个项目，能够让用户一行代码将任意模型打包为 API。这一工具无疑能够帮助开发者在实际的生产应用中快速部署模型。

项目地址：https://github.com/cortexlabs/cortex

项目特点和原理

该项目名为 Cortex，是一个命令行工具。作者表示，该项目具有以下优点：

• 自动定义：Cortex 可以自动定义需要负责生产工作的 API；
• 多框架支持：Cortex 支持多种机器学习框架，包括 TensorFlow、PyTorch、scikit-learn、XGBoost 等；
• CPU/GPU 支持：Cortex 能够在 CPU 或者 GPU 上进行推理工作；
• 回滚式更新：Cortex 可以对部署的 API 直接更新；
• 日志流：Cortex 会保留部署模型的日志流，并在 CLI 上显示；
• 预测监控：Cortex 能够监控网络的评价指标，并追踪预测结果；
• 最小配置：部署时，用户只需要在一个名为 cortex.yaml 的文件中配置相关属性。

这一项目是怎样工作的？具体而言，每当用户运行 cortex deploy 时，命令行将配置属性和代码发送到服务器集群上。每个模型都载入到一个 Docker 容器中，包括相关的 Python 包和处理请求的代码。模型通过网络服务，如 Elastic Load Balancing (ELB)、Flask、TensorFlow Serving 和 ONNX Runtime 公开 API 给用户使用。容器通过 Elastic Kubernetes Service (EKS) 进行控制，而日志文件和评价指标的记录和打印工作由 CloudWatch 完成。

使用方法

使用过程主要分为以下三个步骤：

定义模型的 API

1. # predictor.py 
2. model = download_my_model()def predict(sample, metadata): return model.predict(sample["text"]) 

如上所示，用户需要做的是定义代表这个 API 的函数，使其能够根据输入数据返回输出。

配置部署

1. $ curl http://***.amazonaws.com/sentiment/classifier \-X POST -H "Content-Type: application/json" \-d '{"text": "the movie was great!"}' 
2. positive 

第二个步骤中，用户需要创建一个新的 yaml 文件，这个文件用于配置相关属性。

具体而言，用户可以定义部署模型的名称，本例中名为 classifierpredictor。然后还需要定义 API 的名称，如 classifierpredictor 以及路径、模型的类型和使用的 GPU 数量等。

AWS 部署

1. $ cortex deploy 
2. creating classifier (http://***.amazonaws.com/sentiment/classifier) 

以 AWS 为例，以上工作完成后，用户可以创建这个 API，使其利用 AWS 进行工作。

当然，用户还可以实时保存推断结果，如下所示：

1. $ curl http://***.amazonaws.com/sentiment/classifier \-X POST -H "Content-Type: application/json" \-d '{"text": "the movie was great!"}' 
2. positive 

此外，用户还可以监控运行结果。

1. $ cortex get classifier --watch 
2. status up-to-date available requested last update avg latencylive 1 1 1 8s 123ms 
3. class countpositive 8negative 4 

使用教程

为了让用户更好地使用这一工具，项目作者同时还提供了一些使用案例。包括：

• 基于 TensorFlow 和 BERT 进行情感分析：https://github.com/cortexlabs/cortex/tree/0.10/examples/tensorflow/sentiment-analysis
• 基于 TensorFlow 和 Inception 模型进行图像分类：https://github.com/cortexlabs/cortex/tree/0.10/examples/tensorflow/image-classifier
• 基于 PyTorch 和 DistilGPT2 进行文本生成：https://github.com/cortexlabs/cortex/tree/0.10/examples/pytorch/text-generator
• 基于 XGBoost / ONNX 进行虹膜分类：https://github.com/cortexlabs/cortex/tree/0.10/examples/xgboost/iris-classifier

以使用 BERT 进行情感分析为例：

首先用户需要在模型上定义 API 接口函数，使其可以通过函数输入数据，并返回模型的推理结果。这一 py 文件被定义为 handler.py：

1. # handler.py 
2. import tensorflow as tfimport tensorflow_hub as hubfrom bert import tokenization, run_classifier 
3. labels = ["negative", "positive"] 
4. with tf.Graph().as_default(): bert_module = hub.Module("https://tfhub.dev/google/bert_uncased_L-12_H-768_A-12/1") info = bert_module(signature="tokenization_info", as_dict=True)with tf.Session() as sess: vocab_file, do_lower_case = sess.run([info["vocab_file"], info["do_lower_case"]]) tokenizer = tokenization.FullTokenizer(vocab_file=vocab_file, do_lower_case=do_lower_case) 
5.  
6. def pre_inference(sample, signature, metadata): input_example = run_classifier.InputExample(guid="", text_a=sample["review"], label=0) input_feature = run_classifier.convert_single_example(0, input_example, [0, 1], 128, tokenizer) return {"input_ids": [input_feature.input_ids]} 
7.  
8. def post_inference(prediction, signature, metadata): return labels[prediction["labels"][0]] 

接着，用户需要定义配置 yaml 文件，在文件中指定相关属性，这里需要注意，文件名必须定义为 cortex.yaml：

1. # cortex.yaml 
2. - kind: deployment name: sentiment 
3. - kind: api name: classifier tensorflow: model: s3://cortex-examples/tensorflow/sentiment-analysis/bert request_handler: handler.py tracker: model_type: classification 

从中可以看到，yaml 文件中需要指定出使用的模型，以及作为 API 接口的 py 文件（即第一步中定义了的 py 文件）。

然后进行部署即可：

1. $ cortex deploy 
2. deployment started 

如果需要获得监控信息，则需要输入 cortex get 命令：

1. $ cortex get classifier --watch 
2. status up-to-date available requested last update avg latencylive 1 1 1 8s