基于gRPC接口访问MindSpore Serving服务
Linux
Ascend
Serving
初级
中级
高级
概述
MindSpore Serving提供gRPC接口访问Serving服务。在Python环境下,我们提供mindspore_serving.client 模块用于填写请求、解析回复。gRPC服务端(worker节点)当前仅支持Ascend平台,客户端运行不依赖特定硬件环境。接下来我们通过add
和ResNet-50
样例来详细说明gRPC Python客户端接口的使用。
add样例
样例来源于add example ,add
Servable提供的add_common
方法提供两个2x2 Tensor相加功能。其中gRPC Python客户端代码如下所示,一次gRPC请求包括了三对独立的2x2 Tensor:
from mindspore_serving.client import Client
import numpy as np
def run_add_common():
"""invoke Servable add method add_common"""
client = Client("localhost", 5500, "add", "add_common")
instances = []
# instance 1
x1 = np.asarray([[1, 1], [1, 1]]).astype(np.float32)
x2 = np.asarray([[1, 1], [1, 1]]).astype(np.float32)
instances.append({"x1": x1, "x2": x2})
# instance 2
x1 = np.asarray([[2, 2], [2, 2]]).astype(np.float32)
x2 = np.asarray([[2, 2], [2, 2]]).astype(np.float32)
instances.append({"x1": x1, "x2": x2})
# instance 3
x1 = np.asarray([[3, 3], [3, 3]]).astype(np.float32)
x2 = np.asarray([[3, 3], [3, 3]]).astype(np.float32)
instances.append({"x1": x1, "x2": x2})
result = client.infer(instances)
print(result)
if __name__ == '__main__':
run_add_common()
按照入门流程 导出模型、启动Serving服务器,并执行上述客户端代码。当运行正常后,将打印以下结果,为了展示方便,格式作了调整:
[{'y': array([[2., 2.], [2., 2.]], dtype=float32)},
{'y': array([[4., 4.], [4., 4.]], dtype=float32)},
{'y': array([[6., 6.], [6., 6.]], dtype=float32)}]
以下将对其中的细节进行说明。
构造
Client
。构造
Client
时,指示Serving的ip和端口号,并给定Servable名称和它提供的方法。这里的Servable可以是单个模型,也可以是多个模型的组合,多个模型组合提供Servable当前尚未支持,一个Servable可以通过提供多种方法来提供不同的服务。上面的
add
样例, Serving运行在本地(localhost
),指定的gRPC端口号为5500
,运行了add
Servable,add
Servable提供了add_common
方法。添加实例。
每次gRPC请求可包括一个或多个实例,每个实例之间相互独立,结果互不影响。
比如:
add
Servable提供的add_common
方法提供两个2x2 Tensor相加功能,即一个实例包含两个2x2 Tensor输入,一个2x2 Tensor输出。一次请求可包括一个、两个或者多个这样的实例,针对每个实例返回一个结果。上述add
样例提供了三个实例,预期将返回三个实例的结果。Client.infer
接口入参可为一个或多个实例输入组成的list、tuple或者单个实例输入。每个实例输入由输入的名称和输入的值组成python字典,值可以是以下格式:numpy array
:用以表示Tensor。例如:np.ones((3,224), np.float32)。numpy number
:用以表示Scalar。例如:np.int8(5)。python bool int float
:用以表示Scalar, 当前int将作为int32, float将作为float32。例如:32.0。python str
:用以表示字符串。例如:”this is a text”。python bytes
:用以表示二进制数据。例如:图片数据。
上面的add样例,
add
Servable提供的add_common
方法入参名为x1
和x2
,添加每个实例时指定每个输入的值。获取推理结果。
通过
Client.infer
填入一个或多个实例。 返回可能有以下形式:所有实例推理正确:
[{'y': array([[2., 2.], [2., 2.]], dtype=float32)}, {'y': array([[4., 4.], [4., 4.]], dtype=float32)}, {'y': array([[6., 6.], [6., 6.]], dtype=float32)}]
针对所有实例共同的错误,返回一个包含
error
的dict。将例子中Client构造时填入的add_common
改为add_common2
,将返回结果:{'error', 'Request Servable(add) method(add_common2), method is not available'}
部分实例推理错误,出错的推理实例将返回包含
error
的dict。将instance2一个输入的dtype
改为np.int32
,将返回结果:[{'y': array([[2., 2.], [2., 2.]], dtype=float32)}, {'error': 'Given model input 1 data type kMSI_Int32 not match ...'}, {'y': array([[6., 6.], [6., 6.]], dtype=float32)}]
每个实例返回一个dict,key的值来自于Servable的方法定义,例如本例子中,
add
Servable提供的add_common
方法输出仅有一个,为y
。value为以下格式:Serving输出类型
Client返回类型
说明
举例
Tensor
numpy array
tensor array
np.ones((3,224), np.float32)
Scalar:
int8, int16, int32, int64,
uint8, uint16, uint32, uint64,
bool, float16, float32, float64numpy scalar
Scalar格式的数据转为numpy scalar
np.int8(5)
String
python str
字符串格式输出转为python str
“news_car”
Bytes
python bytes
二进制格式输出转为python bytes
图片数据
ResNet-50样例
样例来源于ResNet-50 example,ResNet-50
Servable提供的classify_top1
方法提供对图像进行识别的服务。classify_top1
方法输入为图像数据,输出为字符串,方法中预处理对图像进行解码、Resize等操作,接着进行推理,并通过后处理返回得分最大的分类标签。
import os
from mindspore_serving.client import Client
def run_classify_top1():
client = Client("localhost", 5500, "resnet50", "classify_top1")
instances = []
for path, _, file_list in os.walk("./test_image/"):
for file_name in file_list:
image_file = os.path.join(path, file_name)
print(image_file)
with open(image_file, "rb") as fp:
instances.append({"image": fp.read()})
result = client.infer(instances)
print(result)
if __name__ == '__main__':
run_classify_top1()
ResNet-50
Servable提供的classify_top1
方法需要用户提供输入image
,上面例子中,每个实例的输入image
为图像的二进制数据。
正常结束执行后,预期将会有以下打印:
[{'label': 'tabby, tabby cat'}, {'label': 'ox'}]
如果Resnet50模型未训练,可能有其他未知分类结果。