数据科学家在创建机器学习模型后，必须将其部署到生产中。要在不同的基础架构上运行它，使用容器并通过 REST API 公开模型是部署机器学习模型的常用方法。本文演示了如何在 Podman 容器中使用 Connexion 推出使用 REST API 的 TensorFlow 机器学习模型。

公司主营业务：成都网站制作、成都网站设计、外贸营销网站建设、移动网站开发等业务。帮助企业客户真正实现互联网宣传，提高企业的竞争能力。成都创新互联是一支青春激扬、勤奋敬业、活力青春激扬、勤奋敬业、活力澎湃、和谐高效的团队。公司秉承以“开放、自由、严谨、自律”为核心的企业文化，感谢他们对我们的高要求，感谢他们从不同领域给我们带来的挑战，让我们激情的团队有机会用头脑与智慧不断的给客户带来惊喜。成都创新互联推出越秀免费做网站回馈大家。

准备

首先，使用以下命令安装 Podman：

 
 
 
 

  
  
  
  
sudo dnf -y install podman
 
 
 
 

接下来，为容器创建一个新文件夹并切换到该目录。

 
 
 
 

  
  
  
  
mkdir deployment_container && cd deployment_container
 
 
 
 

TensorFlow 模型的 REST API

下一步是为机器学习模型创建 REST API。这个 github 仓库包含一个预训练模型，以及能让 REST API 工作的设置。

使用以下命令在 deployment_container 目录中克隆它：

 
 
 
 

  
  
  
  
git clone https://github.com/svenboesiger/titanic_tf_ml_model.git
 
 
 
 

prediction.py 和 ml_model/

prediction.py 能进行 Tensorflow 预测，而 20x20x20 神经网络的权重位于文件夹 ml_model/ 中。

swagger.yaml

swagger.yaml 使用 Swagger规范 定义 Connexion 库的 API。此文件包含让你的服务器提供输入参数验证、输出响应数据验证、URL 端点定义所需的所有信息。

额外地，Connexion 还将给你提供一个简单但有用的单页 Web 应用，它演示了如何使用 Javascript 调用 API 和更新 DOM。

 
 
 
 

  
  
  
  
swagger: "2.0"
  
  
  
  
info:
  
  
  
  
 description: This is the swagger file that goes with our server code
  
  
  
  
 version: "1.0.0"
  
  
  
  
 title: Tensorflow Podman Article
  
  
  
  
consumes:
  
  
  
  
 - "application/json"
  
  
  
  
produces:
  
  
  
  
 - "application/json"
  
  
  
  

  
  
  
  

  
  
  
  
basePath: "/"
  
  
  
  

  
  
  
  
paths:
  
  
  
  
 /survival_probability:
  
  
  
  
 post:
  
  
  
  
 operationId: "prediction.post"
  
  
  
  
 tags:
  
  
  
  
 - "Prediction"
  
  
  
  
 summary: "The prediction data structure provided by the server application"
  
  
  
  
 description: "Retrieve the chance of surviving the titanic disaster"
  
  
  
  
 parameters:
  
  
  
  
 - in: body
  
  
  
  
 name: passenger
  
  
  
  
 required: true
  
  
  
  
 schema:
  
  
  
  
 $ref: '#/definitions/PredictionPost'
  
  
  
  
 responses:
  
  
  
  
 '201':
  
  
  
  
 description: 'Survival probability of an individual Titanic passenger'
  
  
  
  

  
  
  
  
definitions:
  
  
  
  
 PredictionPost:
  
  
  
  
 type: object
 
 
 
 

server.py 和 requirements.txt

server.py 定义了启动 Connexion 服务器的入口点。

 
 
 
 

  
  
  
  
import connexion
  
  
  
  

  
  
  
  
app = connexion.App(__name__, specification_dir='./')
  
  
  
  

  
  
  
  
app.add_api('swagger.yaml')
  
  
  
  

  
  
  
  
if __name__ == '__main__':
  
  
  
  
 app.run(debug=True)
 
 
 
 

requirements.txt 定义了运行程序所需的 python 包。

 
 
 
 

  
  
  
  
connexion
  
  
  
  
tensorflow
  
  
  
  
pandas
 
 
 
 

容器化！

为了让 Podman 构建映像，请在上面的准备步骤中创建的 deployment_container 目录中创建一个名为 Dockerfile 的新文件：

 
 
 
 

  
  
  
  
FROM fedora:28
  
  
  
  

  
  
  
  
# File Author / Maintainer
  
  
  
  
MAINTAINER Sven Boesiger 
  
  
  
  

  
  
  
  
# Update the sources
  
  
  
  
RUN dnf -y update --refresh
  
  
  
  

  
  
  
  
# Install additional dependencies
  
  
  
  
RUN dnf -y install libstdc++
  
  
  
  

  
  
  
  
RUN dnf -y autoremove
  
  
  
  

  
  
  
  
# Copy the application folder inside the container
  
  
  
  
ADD /titanic_tf_ml_model /titanic_tf_ml_model
  
  
  
  

  
  
  
  
# Get pip to download and install requirements:
  
  
  
  
RUN pip3 install -r /titanic_tf_ml_model/requirements.txt
  
  
  
  

  
  
  
  
# Expose ports
  
  
  
  
EXPOSE 5000
  
  
  
  

  
  
  
  
# Set the default directory where CMD will execute
  
  
  
  
WORKDIR /titanic_tf_ml_model
  
  
  
  

  
  
  
  
# Set the default command to execute
  
  
  
  
# when creating a new container
  
  
  
  
CMD python3 server.py
 
 
 
 

接下来，使用以下命令构建容器镜像：

 
 
 
 

  
  
  
  
podman build -t ml_deployment .
 
 
 
 

运行容器

随着容器镜像的构建和准备就绪，你可以使用以下命令在本地运行它：

 
 
 
 

  
  
  
  
podman run -p 5000:5000 ml_deployment
 
 
 
 

在 Web 浏览器中输入 http://0.0.0.0:5000/ui 访问 Swagger/Connexion UI 并测试模型：

当然，你现在也可以在应用中通过 REST API 访问模型。

当前文章：创建一个容器化的机器学习模型
链接URL：http://csdahua.cn/article/cdjhpho.html