阿里云机器学习模型在线服务自定义Processor部署PMML模型(一)

Step By Step

1、构建开发环境
2、python本地测试
3、修改app.py文件测试
4、部署服务
5、在线测试
6、Python SDK 服务调用

一、构建开发环境

• 1.1 本地机器环境

测试实例使用阿里云上海区域ECS：Ubuntu 18.04 64位

• 1.2 EASCMD工具工具安装

# 安装并初始化EASCMD，该示例为安装Linux环境的EASCMD工具。
$ wget http://eas-data.oss-cn-shanghai.aliyuncs.com/tools/eascmd64
# 下载完成后，可以修改访问权限，配置阿里云上AccessKey信息。
$ chmod +x eascmd64
$ ./eascmd64 config -i <access_id> -k <access_key> -e pai-eas.cn-shanghai.aliyuncs.com

# 初始化环境。
$ ./eascmd64 pysdk init ./pyeas_demo

二、python本地测试

pmml文件 下载地址

• 2.1 依赖包安装

pip install sklearn-pmml-model

• 2.2 pycharm 测试代码

import pandas as pd
from sklearn_pmml_model.ensemble import PMMLForestClassifier

clf = PMMLForestClassifier(pmml="randomForest.pmml")
df = pd.DataFrame([[5.6, 3.0, 4.1, 1.3]],columns=['sepal length (cm)','sepal width (cm)','petal length (cm)','petal width (cm)'])
result  = clf.predict(df)
print(str(result).encode())

• 2.3 测试结果

三、修改app.py文件测试

• 3.1 到创建的项目下

• 3.2 下载randomForest.pmml模型到目录下面

• 3.3 根据2.2的测试代码修改app.py文件为如下形式

# -*- coding: utf-8 -*-
import allspark
import pandas as pd
import numpy as np
from sklearn_pmml_model.ensemble import PMMLForestClassifier

class MyProcessor(allspark.BaseProcessor):
    """ MyProcessor is a example
        you can send mesage like this to predict
        curl -v http://127.0.0.1:8080/api/predict/service_name -d '6.3 2.5 4.9 1.5'
    """

    def initialize(self):
        """ load module, executed once at the start of the service
         do service intialization and load models in this function.
        """
        self.model = PMMLForestClassifier(pmml="randomForest.pmml")

    def pre_proccess(self, data):
        """ data format pre process
        """
        x, y, z, w = data.split(b' ')
        return float(x), float(y), float(z), float(w)
        
    def post_process(self, data):
        """ proccess after process
        """
        return str(data).encode()
        
    def process(self, data):
        """ process the request data
        """
        x, y, z, w = self.pre_proccess(data)
        df = pd.DataFrame([[x, y, z, w]],columns=['sepal length (cm)','sepal width (cm)','petal length (cm)','petal width (cm)'])
        result  = self.model.predict(df)
        print(result)
        return self.post_process(result), 200

if __name__ == '__main__':
    # paramter worker_threads indicates concurrency of processing
    runner = MyProcessor(worker_threads=10)
    runner.run()

• 3.4 ENV环境安装：sklearn-pmml-model

./ENV/bin/pip install sklearn-pmml-model

• 3.5 启动app

./ENV/bin/python app.py

• 3.6 本地curl测试服务

curl http://127.0.0.1:8080/ -d '5.6 3.0 4.1 1.3'

四、部署服务

• 4.1 服务打包

./eascmd64 pysdk pack ./pyeas_demo

• 4.2 上传压缩包到oss

./eascmd64 upload pyeas_demo.tar.gz --inner

• 4.3 修改app.json部署文件

• 4.4 EASCMD 使用app.json部署服务

/root/eas_demo/eascmd64 create app.json

五、在线测试

• 5.1 控制台查看部署的EAS服务

• 5.2 服务调用测试

六、Python SDK 服务调用

• 6.1 测试代码

import http.client

conn = http.client.HTTPConnection("172144**********.cn-shanghai.pai-eas.aliyuncs.com")  # 请求endpoint
payload = "5.6 3.0 4.1 1.3"  # 请求body
headers = {
    'authorization': "NTQzN2QxZGQy*********"  # 认证Token
    }
conn.request("POST", "/api/predict/pyeas_demo", payload, headers)
res = conn.getresponse()
data = res.read()
print(data.decode("utf-8"))

• 6.2 测试结果

说明：

本身PAI EAS服务是支持直接部署pmml格式的模型，这里主要是为了演示自定义process的部署过程，其它类型的模型部署方法类似，这里面主要介绍的是通过eascmd方式构建环境，后面会继续介绍一种基于容器的环境搭建与部署方式。

更多参考

使用Python开发自定义Processor