3.5

透過 Pre-packaged Server 模型部署

Enterprise Applicable to Enterprise Edition
Deploy Applicable to Deploy Edition
>

此教學將採用 pre-packaged server 方式來部署模型。我們採用 SKLearn pre-packaged server 來部署 IRIS 模型檔做為範例。

前置條件

開啟工作群組的 Model Deployment 功能

須先開啟工作群組的 Model Deployment 功能；請洽系統管理者。

教學步驟

  1. 登入 User Portal 並選擇 Models。

  2. 在 model deployment 主頁 點擊 Create Deployment。

  3. Deployment name 欄位中填入 quickstart-iris。

    Model Image 欄位中填入 SKLearn server；此為 scikit-learn 用的 pre-packaged 基底映像檔，可以將 scikit-learn 模型檔服務化。

    Model URI 欄位中填入 gs://seldon-models/sklearn/iris；此路徑指向存放在 Google Cloud Storage 已訓練的模型檔。

  4. Resources 選項：

    • 選擇 instance type， 我們選擇 (CPU: 0.5 / Memory: 1 G / GPU: 0)作為範例
    • 保留 Replicas 預設值 (1)

  5. 點擊 Deploy後，導轉回主頁。 等待同時，可以點擊 Refresh 更新部署狀態。

    部署成功後(綠色)，點擊該部署查看詳細資訊。

  6. 頁面顯示所有詳細資訊；準備測試部署的模型， 複製 endpoint URL 並取代下列指令中 ${YOUR_ENDPOINT_URL}。

    curl -X POST ${YOUR_ENDPOINT_URL} \
    -H 'Content-Type: application/json' \
    -d '{ "data": {"tensor": {"shape": [1, 4], "values": [5.3, 3.5, 1.4, 0.2]}} }'

    在 Terminal 執行整串指令； 指令中我們帶入 tensor 並送出請求。

  • 請求範例 
    curl -X POST https://hub.xxx.aws.primehub.io/deployment/quickstart-iris-xxx/api/v1.0/predictions \
    -H 'Content-Type: application/json' \
    -d '{ "data": {"tensor": {"shape": [1, 4], "values": [5.3, 3.5, 1.4, 0.2]}} }'
  • 回應範例 (it predicts the species is Iris setosa as the first index has the highest prediction value) 
    {
  "data": {
    "names": [
      "t:0",
      "t:1",
      "t:2"
    ],
    "tensor": {
      "shape": [
        1,
        3
      ],
      "values": [
        0.8700986370655746,
        0.12989376988727133,
        7.5930471540348975e-06
      ]
    }
  },
  "meta": {}
}
  1. 恭喜，至此我們已成功部署模型，並同時提供線上服務接受請求。

Reference

← Origins透過 Pre-packaged Server 模型部署 (PHFS) →