Routine di previsione personalizzate

Le routine di previsione personalizzate ti consentono di determinare quale codice eseguire quando invii una richiesta di previsione online ad AI Platform Prediction.

Quando esegui il deployment di una risorsa di versione in AI Platform Prediction senza utilizzare un una routine di previsione personalizzata, gestisce le richieste di previsione dell'operazione di previsione del framework di machine learning utilizzato per l'addestramento.

Ma quando esegui il deployment di una routine di previsione personalizzata come risorsa della versione, può indicare ad AI Platform Prediction di eseguire codice Python personalizzato in risposta una richiesta di previsione che riceve. Puoi pre-elaborare l'input della previsione prima addestrato esegue la previsione oppure la previsione del modello può essere post-elaborata prima di inviare il risultato della previsione.

Per creare una routine di previsione personalizzata, devi fornire due parti AI Platform Prediction quando crei la versione del modello:

  • Una directory del modello in Cloud Storage, che contiene tutti gli artefatti che devono da utilizzare per la previsione.

  • Un pacchetto di distribuzione di origine Python .tar.gz in Cloud Storage contenenti la tua implementazione dell'interfaccia Predictor e qualsiasi altra il codice che vuoi venga utilizzato da AI Platform Prediction al momento della previsione.

Puoi eseguire il deployment di una routine di previsione personalizzata solo quando utilizzi un tipo di macchina legacy (MLS1) per la versione del tuo modello.

Carica gli artefatti del modello nella directory del modello

Segui la guida al deployment dei modelli per caricare il modello addestrato a Cloud Storage, insieme a tutti gli altri file Fornire dati o statefulness per AI Platform Prediction da utilizzare durante la previsione.

La dimensione totale del file degli artefatti del modello di cui esegui il deployment su AI Platform Prediction deve essere 500 MB o inferiore.

Puoi caricare il modello addestrato di machine learning nella directory del modello come TensorFlow SavedModel, un file model.joblib, un file model.pkl o un model.bst, ma puoi anche fornisci il tuo modello come file HDF5 contenente un file tf.keras addestrato modello o in un formato serializzato diverso.

Puoi anche includere un file di pickle con un'istanza di un una classe di preprocessore che contiene lo stato serializzato dall'addestramento.

Ad esempio, considera il seguente preprocessore, definito nel file denominato preprocess.py:

import numpy as np


class ZeroCenterer(object):
    """Stores means of each column of a matrix and uses them for preprocessing."""

    def __init__(self):
        """On initialization, is not tied to any distribution."""
        self._means = None

    def preprocess(self, data):
        """Transforms a matrix.

        The first time this is called, it stores the means of each column of
        the input. Then it transforms the input so each column has mean 0. For
        subsequent calls, it subtracts the stored means from each column. This
        lets you 'center' data at prediction time based on the distribution of
        the original training data.

        Args:
            data: A NumPy matrix of numerical data.

        Returns:
            A transformed matrix with the same dimensions as the input.
        """
        if self._means is None:  # during training only
            self._means = np.mean(data, axis=0)
        return data - self._means

Durante l'addestramento su un set di dati numerico, il preprocessore centra i dati su 0 sottraendo la media di ogni colonna da ogni valore nella colonna. Quindi, puoi esportare l'istanza del preprocessore come file di raccolta, preprocessor.pkl, che conserva le medie di ogni colonna calcolate dai dati di addestramento.

Durante la previsione, una routine di previsione personalizzata può caricare il preprocessore questo file per eseguire una trasformazione identica sull'input della previsione.

Per scoprire come utilizzare un preprocessore stateful come questo nella tua previsione personalizzata leggi la sezione successiva, che descrive come implementare il predittore a riga di comando.

per analizzare un esempio completo dell'utilizzo di un preprocessore stateful durante l'addestramento. e la previsione, leggi l'articolo Creazione di una routine di previsione personalizzata con Keras o Creazione di una routine di previsione personalizzata con scikit-learn.

Crea il tuo predittore

Indica ad AI Platform Prediction come gestire le richieste di previsione fornendole con un corso Predictor. È una classe che implementa la seguente interfaccia:

class Predictor(object):
    """Interface for constructing custom predictors."""

    def predict(self, instances, **kwargs):
        """Performs custom prediction.

        Instances are the decoded values from the request. They have already
        been deserialized from JSON.

        Args:
            instances: A list of prediction input instances.
            **kwargs: A dictionary of keyword args provided as additional
                fields on the predict request body.

        Returns:
            A list of outputs containing the prediction results. This list must
            be JSON serializable.
        """
        raise NotImplementedError()

    @classmethod
    def from_path(cls, model_dir):
        """Creates an instance of Predictor using the given path.

        Loading of the predictor should be done in this method.

        Args:
            model_dir: The local directory that contains the exported model
                file along with any additional files uploaded when creating the
                version resource.

        Returns:
            An instance implementing this Predictor class.
        """
        raise NotImplementedError()

Nodi di previsione di AI Platform Prediction utilizza il metodo della classe from_path per caricare un'istanza del tuo predittore. Questo dovrebbe caricare gli artefatti salvati nella directory del modello, i contenuti di cui vengono copiati da Cloud Storage in una posizione individuata model_dir argomento.

Ogni volta che il deployment riceve una richiesta di previsione online, l'istanza la classe Predictor restituita da from_path usa il metodo predict per generare per le previsioni. AI Platform Prediction serializza il valore restituito di questo metodo a JSON e la invia come risposta alla richiesta di previsione.

Tieni presente che il metodo predict non deve convertire l'input da JSON a oggetti Python o convertire l'output in JSON; AI Platform Prediction gestisce questo al di fuori del metodo predict.

AI Platform Prediction fornisce l'argomento instances mediante l'analisi del codice campo instances dal corpo di predict richiesta all'API AI Platform Training and Prediction. Analizza qualsiasi altro campi del corpo della richiesta e li fornisce al metodo predict sotto forma di voci nel dizionario **kwargs. Per saperne di più, leggi come strutturare una Richiesta predict all'API AI Platform Training and Prediction.

Proseguendo con l'esempio della sezione precedente, supponiamo che la directory del modello contiene preprocessor.pkl (l'istanza in detersa della classe ZeroCenterer) e un modello tf.keras addestrato esportato come model.h5 o un modello modello scikit-learn esportato come model.joblib.

A seconda del framework di machine learning che utilizzi, implementa uno dei seguenti classi di predittori in un file chiamato predictor.py:

TensorFlow

import os
import pickle

import numpy as np
from tensorflow import keras


class MyPredictor(object):
    """An example Predictor for an AI Platform custom prediction routine."""

    def __init__(self, model, preprocessor):
        """Stores artifacts for prediction. Only initialized via `from_path`."""
        self._model = model
        self._preprocessor = preprocessor

    def predict(self, instances, **kwargs):
        """Performs custom prediction.

        Preprocesses inputs, then performs prediction using the trained Keras
        model.

        Args:
            instances: A list of prediction input instances.
            **kwargs: A dictionary of keyword args provided as additional
                fields on the predict request body.

        Returns:
            A list of outputs containing the prediction results.
        """
        inputs = np.asarray(instances)
        preprocessed_inputs = self._preprocessor.preprocess(inputs)
        outputs = self._model.predict(preprocessed_inputs)
        return outputs.tolist()

    @classmethod
    def from_path(cls, model_dir):
        """Creates an instance of MyPredictor using the given path.

        This loads artifacts that have been copied from your model directory in
        Cloud Storage. MyPredictor uses them during prediction.

        Args:
            model_dir: The local directory that contains the trained Keras
                model and the pickled preprocessor instance. These are copied
                from the Cloud Storage model directory you provide when you
                deploy a version resource.

        Returns:
            An instance of `MyPredictor`.
        """
        model_path = os.path.join(model_dir, "model.h5")
        model = keras.models.load_model(model_path)

        preprocessor_path = os.path.join(model_dir, "preprocessor.pkl")
        with open(preprocessor_path, "rb") as f:
            preprocessor = pickle.load(f)

        return cls(model, preprocessor)

scikit-learn

import os
import pickle

import numpy as np
from sklearn.externals import joblib


class MyPredictor(object):
    """An example Predictor for an AI Platform custom prediction routine."""

    def __init__(self, model, preprocessor):
        """Stores artifacts for prediction. Only initialized via `from_path`."""
        self._model = model
        self._preprocessor = preprocessor

    def predict(self, instances, **kwargs):
        """Performs custom prediction.

        Preprocesses inputs, then performs prediction using the trained
        scikit-learn model.

        Args:
            instances: A list of prediction input instances.
            **kwargs: A dictionary of keyword args provided as additional
                fields on the predict request body.

        Returns:
            A list of outputs containing the prediction results.
        """
        inputs = np.asarray(instances)
        preprocessed_inputs = self._preprocessor.preprocess(inputs)
        outputs = self._model.predict(preprocessed_inputs)
        return outputs.tolist()

    @classmethod
    def from_path(cls, model_dir):
        """Creates an instance of MyPredictor using the given path.

        This loads artifacts that have been copied from your model directory in
        Cloud Storage. MyPredictor uses them during prediction.

        Args:
            model_dir: The local directory that contains the trained
                scikit-learn model and the pickled preprocessor instance. These
                are copied from the Cloud Storage model directory you provide
                when you deploy a version resource.

        Returns:
            An instance of `MyPredictor`.
        """
        model_path = os.path.join(model_dir, "model.joblib")
        model = joblib.load(model_path)

        preprocessor_path = os.path.join(model_dir, "preprocessor.pkl")
        with open(preprocessor_path, "rb") as f:
            preprocessor = pickle.load(f)

        return cls(model, preprocessor)

Nota che il metodo predict converte i risultati della previsione in un elenco con tolist metodo prima di restituirli. Gli array NumPy non sono serializzabili in formato JSON, quindi devi convertirli in elenchi di numeri (che sono serializzabili in formato JSON). Altrimenti, AI Platform Prediction non invierà la risposta della previsione.

Pacchettizzazione del predittore e delle sue dipendenze

Devi pacchettizzare il tuo Predictor come pacchetto di distribuzione di origine .tar.gz. Poiché NumPy, TensorFlow e scikit-learn sono inclusi nel immagine runtime AI Platform Prediction, non devi includere queste dipendenze nel file tarball. Tuttavia, assicurati di non includere le dipendenze di Predictor che non sono preinstallate AI Platform Prediction.

Per l'esempio precedente, devi includere preprocess.py nell'origine di distribuzione dei contenuti, anche se il tuo Predictor non lo importa esplicitamente. Altrimenti, preprocessor = pickle.load(f) avrà esito negativo perché Python riconoscere la classe dell'istanza ZeroCenterer nel file pickle.

Il seguente setup.py mostra un modo per pacchettizzare questi script:

from setuptools import setup

setup(name="my_custom_code", version="0.1", scripts=["predictor.py", "preprocess.py"])

Per pacchettizzare e caricare l'esempio di codice personalizzato descritto in questa pagina, procedi come descritto di seguito: seguenti:

  1. Crea i file preprocess.py, predictor.py e setup.py descritti in sezioni precedenti, tutte nella stessa directory. Vai alla directory in della tua shell.

  2. Esegui python setup.py sdist --formats=gztar per creare dist/my_custom_code-0.1.tar.gz.

  3. Carica questo tarball in una posizione temporanea in Cloud Storage.

    Non deve essere necessariamente uguale alla directory del modello. Se hai intenzione di eseguire l'iterazione e il deployment di più versioni della tua routine di previsione personalizzata, potresti voler caricare i tuoi pacchetti di codice personalizzati in una struttura temporanea . Puoi incrementare l'argomento version in setup.py quando aggiornare il codice per tenere traccia delle diverse versioni.

    Il comando seguente mostra un modo per caricare la distribuzione di origine in Cloud Storage:

    gcloud storage cp dist/my_custom_code-0.1.tar.gz gs://YOUR_BUCKET/PATH_TO_STAGING_DIR/

Puoi fornire il codice per la tua routine di previsione personalizzata in uno o più pacchetti.

Esegui il deployment della tua routine di previsione personalizzata

Per prima cosa, seleziona una regione in cui la previsione online disponibile e utilizza gcloud per creare una risorsa del modello:

gcloud ai-platform models create MODEL_NAME{"</var>"}} \
  --regions CHOSEN_REGION

Assicurati che il componente gcloud beta sia aggiornato, quindi crea una risorsa di versione prestando particolare attenzione ai seguenti flag gcloud:

  • --origin: il percorso della directory del modello in di archiviazione ideale in Cloud Storage.
  • --package-uris: un elenco separato da virgole di caratteri di codice utente in Cloud Storage, incluso quello contenente la classe Predictor.
  • --prediction-class: il nome completo della classe Predictor (MODULE_NAME, CLASS_NAME).
  • --framework: non specificare un framework durante il deployment di una previsione personalizzata una nuova routine.
  • --runtime-version: le routine di previsione personalizzate sono disponibili in tempo di esecuzione dalla 1.4 alla 2.11.

Il comando seguente mostra come creare una risorsa di versione basata sul file di esempio descritti nelle sezioni precedenti:

gcloud components install beta

gcloud beta ai-platform versions create VERSION_NAME \
  --model MODEL_NAME{"</var>"}} \
  --runtime-version 2.11 \
  --python-version 3.7 \
  --origin gs://YOUR_BUCKET/PATH_TO_MODEL_DIR \
  --package-uris gs://YOUR_BUCKET/PATH_TO_STAGING_DIR/my_custom_code-0.1.tar.gz \
  --prediction-class predictor.MyPredictor

Per scoprire di più sulla creazione di modelli e versioni in dettaglio o su come utilizzando la console Google Cloud anziché gcloud CLI, consulta guida per il deployment dei modelli.

Specifica un account di servizio personalizzato

Durante la creazione di una risorsa di versione, puoi facoltativamente specificare un account di servizio per la routine di previsione personalizzata da usare durante la previsione. Questo consente di personalizzarne le autorizzazioni per accedere ad altre risorse Google Cloud. Scopri di più su come specificare un account di servizio per la previsione personalizzata di Cloud Shell.

Passaggi successivi

  • Segui un tutorial sull'uso di routine di previsione personalizzate con Keras o con Scikit-learn per vedere un esempio più completo di come addestrare ed eseguire il deployment di un modello utilizzando una routine di previsione personalizzata.
  • Per ulteriori informazioni, leggi la guida all'esportazione dei modelli sull'esportazione degli artefatti per la previsione senza utilizzare una previsione personalizzata una nuova routine.
  • Leggi la guida al deployment dei modelli per saperne di più ulteriori dettagli sul deployment delle risorse model e version in AI Platform Prediction per fornire previsioni.