写点什么

使用 Amazon SageMaker Operator 简化 Kubernetes 上的机器学习推理

  • 2020-04-05
  • 本文字数:3999 字

    阅读完需:约 13 分钟

使用 Amazon SageMaker Operator 简化 Kubernetes 上的机器学习推理

适用于 Kubernetes 的 Amazon SageMaker Operator使您可以用 SageMaker 托管的终端节点增强现有的 Kubernetes 集群。


创建一个可靠、高效的机器学习推理服务需要做很多的投入。拿一个基于 XGBoost 模型的服务来说,开发人员需要创建一个完善的应用程序,例如通过 Flask 来加载模型,然后运行终端节点。创建这个应用程序,开发人员需要考虑队列管理、无故障部署以及重新加载新训练的模型等等事宜。应用开发好后被打包成容器镜像,然后推送到镜像仓库。Kubernetes 从镜像仓库拉取该镜像在集群上进行部署,部署好后才可以对外提供服务。这些步骤需要您的数据科学家从事与提高模型准确性无关的任务,或引进 devops 工程师来做这些工作。这些过程加到开发计划中,必然会需要更多的时间进行服务迭代。


使用 SageMaker Operator,开发人员只需要编写 yaml 文件来指定所保存模型的 S3 存储位置,而实时预测通过安全的终端节点即可使用。重新配置终端节点与更新 yaml 文件一样简单。除了使用简单之外,该服务还具有以下特征:


  • 多模型终端节点 – 托管几十个或更多模型可能会给配置带来困难,并且会导致很多机器以低利用率运行。多模型终端节点通过动态加载用于服务的模型构件来设置一个实例

  • 弹性推理 – 在拆分开的 GPU 上运行较小的工作负载,您可以以较低的成本部署该 GPU

  • 高利用率和动态 Auto Scaling – 终端节点可以以 100% 的利用率运行,并基于您定义的自定义指标(如每秒钟的调用数量)来添加副本。或者,可以按预定义的客户端性能指标配置自动扩展

  • 可用区转移 – 如果发生中断,Amazon SageMaker 会将您的终端节点自动移动到 VPC 内的另一个可用区

  • A/B 测试– 设置多个模型,并导向与您在单个终端节点上设置的量成比例的流量

  • 安全性 – 终端节点使用 HTTPS 创建,可以配置为在私有 VPC(没有互联网出口)中运行并通过 AWS PrivateLink 访问

  • 合规性准备 – Amazon SageMaker 已经过认证,符合 HIPAA、PCI DSS 和 SOC (1, 2, 3) 规则和法规


AWS 为 Kubernetes 开发的 SageMaker Operator 将以上这些特性打包到一起。SageMaker Operator 大大缩短模型到应用的时间,并减少创建和维护生产环境的人力。这可以使单独使用 EKS 或 EC2 的总拥有成本下降 90%。


本博文演示如何设置适用于 Kubernetes 的 Amazon SageMaker Operator,以完全从 kubectl 为预先训练的 XGBoost 模型创建和更新终端节点。该解决方案包含以下步骤:


  • 创建 IAM Amazon SageMaker 角色,提供服务您的模型所需的 Amazon SageMaker 权限

  • 准备 YAML 文件,以将您的模型部署到 Amazon SageMaker

  • 将您的模型部署到 Amazon SageMaker

  • 查询终端节点以获取预测

  • 对部署的模型执行最终的一致性更新

先决条件

本博文假设您拥有以下先决条件:


  • 一个 Kubernetes 集群

  • 您的集群上已安装 Amazon SageMaker Operator

  • 一个您可以部署的 XGBoost 模型


有关将 Operator 安装到 Amazon EKS 集群上的信息,请参阅现已推出适用于 Kubernetes 的 Amazon SageMaker Operator。您可以自带 XGBoost 模型,但本教程使用前面所述博文中的现有模型。

创建一个 Amazon SageMaker 执行角色

Amazon SageMaker 需要一个 IAM 角色,它可以承担该角色来服务您的模型。如果您还没有该角色,请使用下面的 bash 代码创建一个:


Bash


export assume_role_policy_document='{  "Version": "2012-10-17",  "Statement": [{    "Effect": "Allow",    "Principal": {      "Service": "sagemaker.amazonaws.com"    },    "Action": "sts:AssumeRole"  }]}'aws iam create-role --role-name <execution role name> \    --assume-role-policy-document \    "$assume_role_policy_document"aws iam attach-role-policy --role-name <execution role name> \    --policy-arn \    arn:aws:iam::aws:policy/AmazonSageMakerFullAccess
复制代码


将 替换为适用的角色名称。这将创建一个 IAM 角色,Amazon SageMaker 可以使用该角色来服务您的模型。

准备您的托管部署

Operator 提供名为 HostingDeployment自定义资源定义 (CRD)。您可以使用 HostingDeployment 在 Amazon SageMaker 托管上配置您的模型部署。


要准备您的托管部署,请使用以下内容创建名为 hosting.yaml 的文件:


YAML


apiVersion: sagemaker.aws.amazon.com/v1kind: HostingDeploymentmetadata:  name: hosting-deploymentspec:  region: us-east-2  productionVariants:    - variantName: AllTraffic      modelName: xgboost-model      initialInstanceCount: 1      instanceType: ml.r5.large      initialVariantWeight: 1  models:    - name: xgboost-model      executionRoleArn: SAGEMAKER_EXECUTION_ROLE_ARN      containers:        - containerHostname: xgboost          modelDataUrl: s3://BUCKET_NAME/model.tar.gz          image: 825641698319.dkr.ecr.us-east-2.amazonaws.com/xgboost:latest
复制代码


SAGEMAKER_EXECUTION_ROLE_ARN 替换为您在上一步中创建的执行角色的 ARN。将 BUCKET_NAME 替换为包含模型的存储桶。


确保存储桶区域 HostingDeployment 区域和映像 ECR 区域一致。

将您的模型部署到 Amazon SageMaker

您现在可以通过运行 kubectl apply -f hosting.yaml 来启动部署。请参阅以下代码:


Bash


$ kubectl apply -f hosting.yamlhostingdeployment.sagemaker.aws.amazon.com/hosting-deployment created
复制代码


您可以使用 kubectl get hostingdeployments 跟踪部署状态。请参阅以下代码:


Bash


$ kubectl get hostingdeploymentsNAME                 STATUS     SAGEMAKER-ENDPOINT-NAMEhosting-deployment   Creating   hosting-deployment-38ecac47487611eaa81606fc3390e6ba
复制代码


您的模型终端节点最多可能需要十五分钟才能部署好。 您可以使用以下命令查看状态。 终端节点达到 InService 状态后便可以立即用于查询。


Bash


$ kubectl get hostingdeploymentsNAME                 STATUS      SAGEMAKER-ENDPOINT-NAMEhosting-deployment   InService   hosting-deployment-38ecac47487611eaa81606fc3390e6ba
复制代码

查询终端节点

终端节点投入使用后,您可以测试它是否能与以下示例代码结合使用:


Bash


$ aws sagemaker-runtime invoke-endpoint \  --region us-east-2 \  --endpoint-name SAGEMAKER-ENDPOINT-NAME \  --body $(seq 784 | xargs echo | sed 's/ /,/g') \  >(cat) \  --content-type text/csv > /dev/null
复制代码


bash 命令使用 AWS CLI 与 HTTPS 终端节点连接。您创建的模型基于 MNIST 位数据集,您的预测工具会读取图像中的数字。当您进行此调用时,它会以 CSV 格式发送包含 784 项特征的推理负载,这些特征代表图像中的像素。您将在负载中看到模型所认为的预测数字。请参阅以下代码:


Bash


$ aws sagemaker-runtime invoke-endpoint \  --region us-east-2 \  --endpoint-name hosting-deployment-38ecac47487611eaa81606fc3390e6ba \  --body $(seq 784 | xargs echo | sed 's/ /,/g') \  >(cat) \  --content-type text/csv > /dev/null8.0
复制代码


此代码确认您的终端节点已启动并在运行。

最终一致的更新

部署好模型后,您可以对 Kubernetes YAML 进行更改,SageMaker Operator 将更新终端节点。这些更新将以最终一致的方式传播到 Amazon SageMaker。这样一来,您便可以以声明式的方式配置您的终端节点,并让 SageMaker Operator 处理细节。


证明这一点,您可以将模型的实例类型从 ml.r5.large 更改为 ml.c5.2xlarge。请执行以下步骤:


  1. hosting.yaml 中的实例类型修改为 ml.c5.2xlarge。请参阅以下代码:

  2. YAML


   apiVersion: sagemaker.aws.amazon.com/v1   kind: HostingDeployment   metadata:     name: hosting-deployment   spec:     region: us-east-2     productionVariants:       - variantName: AllTraffic         modelName: xgboost-model         initialInstanceCount: 1         instanceType: ml.c5.2xlarge         initialVariantWeight: 1     models:       - name: xgboost-model         executionRoleArn: SAGEMAKER_EXECUTION_ROLE_ARN         containers:           - containerHostname: xgboost             modelDataUrl: s3://BUCKET_NAME/model.tar.gz             image: 825641698319.dkr.ecr.us-east-2.amazonaws.com/xgboost:latest
复制代码


  1. 将更改应用至 Kubernetes 集群。请参阅以下代码:

  2. Bash


   $ kubectl apply -f hosting.yaml   hostingdeployment.sagemaker.aws.amazon.com/hosting-deployment configured
复制代码


  1. 获取托管部署的状态。该状态将显示为正在更新,然后在准备好以后更改为 InService。请参阅以下代码:

  2. Bash


   $ kubectl get hostingdeployments   NAME                 STATUS     SAGEMAKER-ENDPOINT-NAME   hosting-deployment   Updating   hosting-deployment-38ecac47487611eaa81606fc3390e6ba
复制代码


终端节点在整个更新过程中保持实时状态且完全可用。有关更多信息和其他示例,请参阅 GitHub 存储库

清理

要删除终端节点而不会产生更多使用费用,请运行 kubectl delete -f hosting.yaml。请参阅以下代码:


Bash


$ kubectl delete -f hosting.yamlhostingdeployment.sagemaker.aws.amazon.com "hosting-deployment" deleted
复制代码

结论

本博文演示了适用于 Kubernetes 的 Amazon SageMaker Operator 如何支持实时推理。它还支持训练和超参数调整。


希望您能分享您的经验和反馈,或者提交其他示例 YAML 规范或 Operator 改进信息。您可以分享您使用适用于 Kubernetes 的 Amazon SageMaker Operator 的相关情况,您可以在 AWS 论坛中的 Amazon SageMaker 的板块下发布帖子,在 GitHub 存储库中创建问题,或发送给您的 AWS Support 联系人并由其代为转达。


本文转载自 AWS 技术博客。


原文链接:https://amazonaws-china.com/cn/blogs/china/simplify-machine-learning-inference-on-kubernetes-with-amazon-sagemaker-operators/


2020-04-05 08:00419

评论

发布
暂无评论
发现更多内容

容器 & 服务:Docker 应用的 Jenkins 构建(二)

程序员架构进阶

容器 服务化 七日更 28天写作 2月春节不断更

双指针高频面试题:三数之和的「升级篇」...

宫水三叶的刷题日记

面试 LeetCode 数据结构与算法

敏捷团队实践

Teobler

项目管理 敏捷 敏捷开发 工程实践 敏捷开发管理

币管家软件开发|币管家系统APP开发

系统开发

网格量化交易机器人系统开发|网格量化交易机器人软件APP开发

系统开发

源码解析--skywalking agent插件加载流程

cloudcoder

Skywalking 源码剖析 插件设计

应云而生,幽灵的威胁 - 云原生应用交付与运维的思考

阿里巴巴云原生

云计算 容器 微服务 云原生 k8s

insert、update、delete注入总结

Cc.

网络安全

滴滴Kafka服务体系建设,实战干货都在这里!

滴滴云

大数据 Obsuite 滴滴Kafka

“他者”德意志(一):“进窄门”的德国AI

脑极体

产业数字金融的数字化与生态化

CECBC

金融

备战金三银四,阿里,腾讯春招面试题解析,含Java岗988道题分享

Java 架构 面试

敏捷业务实践之计划游戏

Teobler

项目管理 敏捷 敏捷开发 敏捷开发管理

逆向思维:从小厂到面试大厂,这份学习笔记助我快速成长,实现高薪岗位

Java架构之路

Java 程序员 架构 面试 编程语言

真实!对比(阿里/京东等一线大厂)Java面试真题,自己把自己菜哭了

Java架构之路

Java 程序员 架构 面试 编程语言

卓越级!浪潮云通过可信云云管理服务能力评估

浪潮云

CIO/CTO必读 | 数字转型时代,企业存储支出知多少

焱融科技

存储 焱融科技 CIO 存储成本 IT成本

利用xml实现数据传输

天狼

一名叫谙忆的程序员在2021年的具体安排《打工人的那些事》

谙忆

OpenYurt 如何 “0 侵入” 攻破云边融合难点

阿里巴巴云原生

云计算 Serverless 容器 云原生 边缘计算

华为发布智能云网“五个一”新能力,助力运营商完成云与网的价值归一

脑极体

基于WASM的无侵入式全链路A/B Test实践

韩陆

【科技改变生活,区块链改变世界】欧科云链徐明星的区块链密码朋克世界

CECBC

区块链

首全网发!2021最新版美团面经刷题笔记,已霸榜GitHub

比伯

Java 编程 架构 面试 程序人生

Docker 镜像加速教程

米开朗基杨

Docker 云原生

区块链技术在各国政府管理中的运用

CECBC

区块链

滴滴开源 LogicFlow:专注流程可视化的前端框架

滴滴技术

瓦力量化交易机器人软件开发|瓦力量化交易机器人APP系统开发

系统开发

数字货币量化交易APP开发|数字货币量化交易系统软件开发

系统开发

又长又细,万字长文带你解读Redisson分布式锁的源码

数据库 redis 架构

小步发布、验收测试和完整团队

Teobler

项目管理 敏捷 敏捷开发 工程实践 敏捷开发管理

使用 Amazon SageMaker Operator 简化 Kubernetes 上的机器学习推理_文化 & 方法_亚马逊云科技 (Amazon Web Services)_InfoQ精选文章