Utilizzo AWS Istanze Inferentia con Amazon EKS per l'apprendimento automatico

Creare un cluster con nodi di istanze Amazon EC2 Inf1. Puoi sostituire inf1.2xlarge con qualsiasi tipo di istanza Inf1. L'utility eksctl rileva l'avvio di un gruppo di nodi con un tipo di istanza Inf1 e avvia i nodi usando una delle AMI Amazon Linux accelerate ottimizzate per Amazon EKS.

eksctl create cluster \
    --name inferentia \
    --region region-code \
    --nodegroup-name ng-inf1 \
    --node-type inf1.2xlarge \
    --nodes 2 \
    --nodes-min 1 \
    --nodes-max 4 \
    --ssh-access \
    --ssh-public-key your-key \
    --with-oidc

[9]  adding identity "arn:aws: iam::111122223333:role/eksctl-inferentia-nodegroup-ng-in-NodeInstanceRole-FI7HIYS3BS09" to auth ConfigMap

Quando si avvia un gruppo di nodi con Inf1 istanze, installa eksctl automaticamente il plug-in del dispositivo AWS Neuron Kubernetes. Questo plugin pubblicizza i dispositivi Neuron come risorsa di sistema allo scheduler Kubernetes, che può essere richiesto da un container. Oltre alle policy IAM dei nodi Amazon EKS di default, viene aggiunta la policy di accesso di sola lettura Amazon S3 in modo che l’applicazione di esempio, che verrà trattata in un passaggio successivo, possa caricare un modello addestrato da Amazon S3.

Assicurarsi che tutti i pod siano stati avviati correttamente.

kubectl get pods -n kube-system

Output abbreviato:

NAME                                   READY   STATUS    RESTARTS   AGE
[...]
neuron-device-plugin-daemonset-6djhp   1/1     Running   0          5m
neuron-device-plugin-daemonset-hwjsj   1/1     Running   0          5m

Aggiungere la policy AmazonS3ReadOnlyAccess IAM al ruolo di istanza del nodo creato nel passaggio 1 di Crea un cluster. Ciò è necessario affinché l’applicazione di esempio possa caricare un modello formato da Amazon S3.

aws iam attach-role-policy \
    --policy-arn arn:aws: iam::aws:policy/AmazonS3ReadOnlyAccess \
    --role-name eksctl-inferentia-nodegroup-ng-in-NodeInstanceRole-FI7HIYS3BS09

Crea un file denominato rn50_deployment.yaml con i seguenti contenuti. Aggiornare il codice di Regione e il percorso del modello in modo che corrispondano alle impostazioni desiderate. Il nome del modello serve a scopo identificativo quando un client effettua una richiesta al TensorFlow server. Questo esempio utilizza il nome di un modello per corrispondere a uno script di esempio di ResNet 50 client che verrà utilizzato in una fase successiva per l'invio di richieste di previsione.

aws ecr list-images --repository-name neuron-rtd --registry-id 790709498068 --region us-west-2

kind: Deployment
apiVersion: apps/v1
metadata:
  name: eks-neuron-test
  labels:
    app: eks-neuron-test
    role: master
spec:
  replicas: 2
  selector:
    matchLabels:
      app: eks-neuron-test
      role: master
  template:
    metadata:
      labels:
        app: eks-neuron-test
        role: master
    spec:
      containers:
        - name: eks-neuron-test
          image: 763104351884.dkr.ecr.us-east-1.amazonaws.com/tensorflow-inference-neuron:1.15.4-neuron-py37-ubuntu18.04
          command:
            - /usr/local/bin/entrypoint.sh
          args:
            - --port=8500
            - --rest_api_port=9000
            - --model_name=resnet50_neuron
            - --model_base_path=s3://${your-bucket-of-models}/resnet50_neuron/
          ports:
            - containerPort: 8500
            - containerPort: 9000
          imagePullPolicy: IfNotPresent
          env:
            - name: AWS_REGION
              value: "us-east-1"
            - name: S3_USE_HTTPS
              value: "1"
            - name: S3_VERIFY_SSL
              value: "0"
            - name: S3_ENDPOINT
              value: s3.us-east-1.amazonaws.com
            - name: AWS_LOG_LEVEL
              value: "3"
          resources:
            limits:
              cpu: 4
              memory: 4Gi
              aws.amazon.com/neuron: 1
            requests:
              cpu: "1"
              memory: 1Gi
          securityContext:
            capabilities:
              add:
                - IPC_LOCK

Implementare il modello.

kubectl apply -f rn50_deployment.yaml

Crea un file denominato rn50_service.yaml con i seguenti contenuti. Le porte HTTP e gRPC vengono aperte per accettare le richieste di previsione.

kind: Service
apiVersion: v1
metadata:
  name: eks-neuron-test
  labels:
    app: eks-neuron-test
spec:
  type: ClusterIP
  ports:
    - name: http-tf-serving
      port: 8500
      targetPort: 8500
    - name: grpc-tf-serving
      port: 9000
      targetPort: 9000
  selector:
    app: eks-neuron-test
    role: master

Crea un servizio Kubernetes per la tua TensorFlow applicazione Model Serving.

kubectl apply -f rn50_service.yaml

Per testare localmente, inoltrare la porta gRPC al servizio eks-neuron-test.

kubectl port-forward service/eks-neuron-test 8500:8500 &

Creare uno script Python chiamato tensorflow-model-server-infer.py con il seguente contenuto. Questo script esegue l'inferenza tramite gRPC, che è un framework di servizi.

import numpy as np
import grpc
import tensorflow as tf
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.resnet50 import preprocess_input
from tensorflow_serving.apis import predict_pb2
from tensorflow_serving.apis import prediction_service_pb2_grpc
from tensorflow.keras.applications.resnet50 import decode_predictions

if __name__ == '__main__':
   channel = grpc.insecure_channel('localhost:8500')
   stub = prediction_service_pb2_grpc.PredictionServiceStub(channel)
   img_file = tf.keras.utils.get_file(
       "./kitten_small.jpg",
       "https://raw.githubusercontent.com/awslabs/mxnet-model-server/master/docs/images/kitten_small.jpg")
   img = image.load_img(img_file, target_size=(224, 224))
   img_array = preprocess_input(image.img_to_array(img)[None, ...])
   request = predict_pb2.PredictRequest()
   request.model_spec.name = 'resnet50_neuron'
   request.inputs['input'].CopyFrom(
       tf.make_tensor_proto(img_array, shape=img_array.shape))
   result = stub.Predict(request)
   prediction = tf.make_ndarray(result.outputs['output'])
   print(decode_predictions(prediction))

Eseguire lo script per inviare previsioni al servizio.

python3 tensorflow-model-server-infer.py

Di seguito viene riportato un output di esempio:

[[(u'n02123045', u'tabby', 0.68817204), (u'n02127052', u'lynx', 0.12701613), (u'n02123159', u'tiger_cat', 0.08736559), (u'n02124075', u'Egyptian_cat', 0.063844085), (u'n02128757', u'snow_leopard', 0.009240591)]]