现在，机器学习（ML）和人工智能（AI）是IT行业中的热门话题，同样，容器也成为其中的热门话题之一。我们将机器学习和容器都引入到图像中，用实验验证是否会相互协同出色的完成分类任务。我们将使用Tenserflow和Kontena来详细阐述。
研究目标
在实验中设定目标会使实验更具有针对性。在此，我设定了以下目标：
1.了解机器学习和TensorFlow；
2.验证机器学习和容器间是否有协同作用；
3.在Kontena上部署正在运行的机器学习方案。
我的最终设想如下，共分为三个部分：
1.有一个简单的API：用户可对JPG图像进行分类；
2.在多个实例上运行机器学习模型，以便按需扩展；
3.遵循微服务（microservice）架构模式。
完整代码获取请点击这里。
TensorFlow简介
TensorFlow是一个使用数据流图进行数值计算的开源软件库。图中的节点表示数学运算，边表示节点间流动的多维数据矩阵（张量）。 这种灵活的架构允许你在不重写代码的情况下，将计算部署到计算机桌面、服务器或者移动设备的一个或多个CPU或GPU上。
非常简单，使用TensorFlow训练具有一套训练数据的计算机模型。一旦模型被训练，我们就可以用模型分析未知的数据，如我们这里所说的图像分类。一般来说，模型预测的是输入数据与训练模型中的某些“已知”模式的匹配程度。
在这里，我们不会深入的探索如何训练模型，因为这需要更加深入的学习机器学习的概念，并深入了解TensorFlow系统。更多相关内容你可以查阅TensorFlow的模型培训教程，还可以查阅HBO硅谷是如何开发hotdog or not-dog这款app（识别物体是否为热狗）的。
TensorFlow模型最大的优点是，一旦模型建立起来，就可以很容易使用，而不需要任何冗杂的后端服务器。正如hotdog or not-dog一样，模型本身也是在移动设备上“运行”。
TensorFlow模型和容器
实验的目标之一是找出机器学习和容器之间是否有协同作用。事实证明，二者之间存在协同作用。
TensorFlow允许你先导出一个稍后用在其它地方的预先训练好的模型，这允许你甚至可以在一个移动设备上使用ML模型查看图片是否包含hotdog，这也使容器真正称为传送和运行机器学习模型的绝佳工具。
使用容器的一个看似不错的方法就是使用Docker的新的多阶段构建（multi-stage builds）方案。
步骤一：model-builder下载一个预先训练好的checkpoint模型文件，然后输出模型供TensorFlow Serving系统使用。
步骤二：将步骤一准备好的模型数据复制到图像上，供TensorFlow Serving使用。所以，最终输出为一个Docker镜像，它包含了预先 打包好的所有东西。因此，我们可以使用一个docker run…命令为我们的机器学习模型服务。如果这不是一个好的协同策略，那么它什么都不是。从一个机器学习新手的角度来说，使用单个命令运行机器学习是一个很不错的方法。
这里，我使用现成的基础镜像，以便节省安装TensorFlow软件包等复杂工作。资源的下载链为：
https://github.com/bitnami/bitnami-docker-tensorflow-serving
https://github.com/bitnami/bitnami-docker-tensorflow-inception
API
TensorFlow Serving系统使用grpc API，由于一般的机器学习比较复杂，API也相应较为复杂。至少它并不适合任何随机客户端程序轻松对一张jpg图像进行分类。使用grpc API就意味着需要编译protobuf IDL’s并发出复杂的请求。所以，我认为这个解决方案的确需要一个更为合适的API，人们或许可以通过网页发送一张图像，并获取分类结果。
如上所述，我最重又设立了一个新的目标，学习一点Go语言。Go语言使用API进入目标列表，所以，编写一个接收jpg图像的API并调用TensorFlow Serving grpc API进行分类就相当简单了。那么，理论和实践是两回事。API本身实际上很容易启动和运行，只有在使用grpc protocol Buffer的生成代码时才会遇到困难。似乎在protocol到Go语言转换中处理多个包时有些问题。由于我在Go语言上完全是个新手，最后我用一个快速检查和替换（search-and-replace）来“修复”一些导入到生成代码中的包。
因此，API只需要将一个jpg文件转换为TensorFlow Serving中的一个grpc请求，然后在JSON中返回给定的分类结果。
运行模型和API
一旦所有的东西都在容器镜像中，在任何容器业务流程系统上对它进行部署就是一件很简单的事情。因此，我打算用Kontena做为部署的目标。
方案中最复杂的部分就是机器学习模型。但是现在，即便是作为一个独立容器运行，事情也变得非常简单了：
这里，我省略了loadbalancer的配置，查看GitHub库可获取更为详细的部署。
测试
在TensorFlow模型前使用简化的API，那么，使用普通的curl就可以很容易的测试图像分类：
score的值越高，分类的精确度越高。实验结果表明，我们的机器学习模型能够很清楚的识别出这张照片是一只熊猫。如下图：
那么它处理这张热狗图像是什么结果呢？
测试结果看起来相当不错，我们的机器学习模型对热狗识别的精确度也很高。
总结
基于容器的TensorFlow模型确实提供了一个较好的部署方法。实验表明，使用上述架构模式，我们可以很轻松的设置一个可扩展的方案供TensorFLow模型使用。但是，使用带有任何客户端软件的模型显然需要某种API封装，这样可以降低客户端处理TensorFLow grpc的复杂性。
在许多情况下，使用预先创建好的模型当然很不现实。和任何学习一样，这是一个需要反馈的过程，放大学习并产生更准确的结果。目前，我正在考虑通过建立一个恒定模型训练器来扩展我的方法，这个模型训练器可以反馈结果。用户可以在一些web UI中选择实例的哪个类是正确的，或者哪个是新发布的类，这会持续的给构建模型提供一些信息。也可以定期导出模型，以便为模型容器触发一个新的模型构建。
以上为译文。
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。
文章原标题《machine-learning-and-containers》，译者：Mags，审校：袁虎。
