还有什么话要说，还有多少泪要流，还有多少坑要踩：Serverless Devs的函数计算踩坑日记，我是如何把一个非常非常非常大的人工智能的模型部署到线上的。
成果预览
主要就是这样的一个案例，用户只需要上传图片，就可以告诉用户图片的内容大概有啥，虽然说又是一个“调包侠”的操作，但是，在Serverless架构上，这是一个“高级的调包侠”操作，因为这里面会涉及到很多的坑。
踩坑记录
依赖安装
当我们把项目下载下来之后，我们可以看到里面有一个requirements.txt：
tensorflow==1.13.1
numpy==1.19.4
scipy==1.5.4
opencv-python==4.4.0.46
pillow==8.0.1
matplotlib==3.3.3
h5py==3.1.0
keras==2.4.3
imageai==2.1.5
bottle==0.12.19敲黑板，划重点：在Serverless架构上，虽然不需要我们关心环境的安装、配置等，但是却需要我们关心我们的所依赖的一些内容与环境适配。例如有一些不能跨平台使用的依赖，可能就需要在和线上环境一样的环境下进行依赖安装构建。
那么我们完全可以用阿里云函数计算团队提供的fc组件中的build指令，并且制定在docker镜像下安装依赖：
$ s build --use-docker
[2021-08-13T15:26:38.907] [INFO ] [S-CLI] - Start ...
✔ core-0.0.144.tgz file decompression completed
[2021-08-13T15:26:44.798] [INFO ] [FC-BUILD] - Build artifact start...
[2021-08-13T15:26:44.801] [INFO ] [FC-BUILD] - Use docker for building.
[2021-08-13T15:26:48.384] [INFO ] [FC-BUILD] - Build function using image: registry.cn-beijing.aliyuncs.com/aliyunfc/runtime-python3.6:build-1.9.19
[2021-08-13T15:26:48.449] [INFO ] [FC-BUILD] - skip pulling image registry.cn-beijing.aliyuncs.com/aliyunfc/runtime-python3.6:build-1.9.19...
[2021-08-13T15:30:28.826] [INFO ] [FC-BUILD] - Build artifact successfully.
Tips for next step
======================
* Invoke Event Function: s local invoke
* Invoke Http Function: s local start
* Deploy Resources: s deploy此时安装好的依赖，就是和线上环境是适配的。
是的，只需要build就可以。
代码包过大
我们安装依赖之后要做啥？代码部署！但是在Serverless架构下进行代码部署并不是一个容易的事情，因为各个云厂商都对代码包大小有所限制，例如阿里云限制的是100M，所以超过100M的，系统就会报错，
此时，我们需要一个叫做.fcignore的文件来进行部分内容的处理：
./src/.s
./src/model就是说，安装的依赖，以及模型，我都不放在代码中，我之后会把它上传到NAS等服务中，通过函数使用。
此时在进行Deploy即可：
代码上传到NAS
代码上传到NAS是一个技术活，我们可以通过阿里云提供的nas组件进行使用：
例如把当前的目录下的./src/model上传到nas：
s nas upload -r -n ./src/model /mnt/auto/model左侧是本地目录./src/model，右侧是nas的目录/mnt/auto/model
同样的道理将依赖上传到nas:
s nas upload -r -n ./.s/build/artifacts/ai-cv-image-prediction/server/.s/python /mnt/auto/.s/python这里面，有趣的事情来了：
./.s/build/artifacts/ai-cv-image-prediction/server/.s/python是在哪里？这个是build操作之后，生成的.s目录，然后依赖会默认存到这个目录下；- 直接上传会报错，找不到文件夹？部署之前还需要执行一个
s nas command mkdir /mnt/auto/.s
上传完成之后：
测试
此时，我们打开刚刚项目部署完成的url，即可：
上传图片，感受一下Serverless * AI带来的力量吧
萌翻了，有没有....
尝试部署
虽然说，这个流程非常复杂，但是实际上也是非常简单的。我将这个东西，封装成了一个案例，你只需要这样几个过程：
- 初始化项目：
s init image-prediction-app - 进入项目：
cd image-prediction-app - 项目部署：
s deploy
emmm，你很好奇build操作，上传依赖、模型到nas的操作，创建nas目录的操作在哪里是吧？
统统在s.yaml中：
actions: # 自定义执行逻辑
pre-deploy: # 在deploy之前运行
- run: s build --use-docker # 要运行的命令行
path: ./ # 命令行运行的路径
post-deploy: # 在deploy之后运行
- run: s nas upload -r -n ./.s/build/artifacts/ai-cv-image-prediction/server/.s/python /mnt/auto/.s/python # 要运行的命令行
path: ./ # 命令行运行的路径
- run: s nas upload -r -n ./src/model /mnt/auto/model # 要运行的命令行
path: ./ # 命令行运行的路径
actions是Serverless devs的规范之一，可以在这里面进行部署前后的一些特殊操作，例如上面的描述为：
在部署之前
- 在目录
./下执行s build --use-docker
- 在目录
在部署之后
- 在目录
./下执行s nas upload -r -n ./.s/build/artifacts/ai-cv-image-prediction/server/.s/python /mnt/auto/.s/python - 在目录
./下执行s nas upload -r -n ./src/model /mnt/auto/model
- 在目录
这样的好处是，更简单，轻松的进行项目体验，以及和更多的CI/CD平台/工具进行结合。
