基于gRPC接口访问MindSpore Serving服务

Linux Ascend GPU 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addResNet-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 exampleadd 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。

  1. 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。

  2. 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int64, float将作为float64。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x1x2,添加每个实例时指定每个输入的值。

  3. 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, float64
numpy 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 exampleResNet-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。