tensorflow踩坑合集2. TF Serving & gRPC 踩坑

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

这一章我们借着之前的NER的模型聊聊tensorflow serving，以及gRPC调用要注意的点。以下代码为了方便理解做了简化，完整代码详见 Github-ChineseNER ，里面提供了训练好的包括bert_bilstm_crf, bilstm_crf_softlexcion，和CWS+NER多任务在内的4个模型，可以开箱即用。这里tensorflow模型用的是estimator框架，整个推理环节主要分成：模型export，warmup，serving, client request四步

Model Export

要把estimator保存成线上推理的格式，需要额外定义两个字段，serving的输出和输入格式。

输出定义

serving的输出在tf.estimator.EstimatorSpec中定义，比较容易混淆的是EstimatorSpec中有两个和推理相关的字段predictions和export_outputs，默认predictions是必须传入，export_outputs是可选传入。

差异在于predictions是estimator.predict的返回，并且允许predictions中的字段和features&labels的字段存在重合，例如我经常会把一些用于debug的字段像中文的tokens放在predictions，这些字段既是模型输入也是predict输出。

如果export_outputs=None，estimator会默认用如下方式生成export_output，signature_name='serving_default'，字段和predictions完全相同。

export_output = {

    tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY:

        tf.estimator.export.PredictOutput(predictions)

}

但是对后面raw tensor输入的serving input，是不允许export_output和input显式出现相同字段。所以我习惯单独定义export_output，只保留线上serving需要返回的预测字段

def model_fn(features, labels, mode, params):

    ... build tf graph

    if mode == tf.estimator.ModeKeys.PREDICT:

        output = {'serving_default':

        tf.estimator.export.PredictOutput({'pred_ids': pred_ids})

        }

        spec = tf.estimator.EstimatorSpec(mode,

                                          predictions= {'pred_ids': pred_ids,

                                               'label_ids': features['label_ids'],

                                               'tokens': features['tokens']

                                              },

                                        export_outputs=output)

        return spec

输入定义

serving的输入在tf.estimator.export.ServingInputReceiver中定义，其中features是传入模型的特征格式，receiver_tensors是推理服务的请求格式，这俩啥差别呢？这个要说到serving input有两种常见的定义方式，一种是传入序列化后的tf.Example(receiver_tensor)，然后按照tf_proto的特征定义对example进行解析(feature)再输入模型。这种方式的好处是请求接口一致，不管模型和特征咋变服务请求字段永远是example。哈哈还有一个好处就是tf_proto的定义可以复用dataset里面的定义好的

def serving_input_receiver_fn():

    tf_proto = {

      'token_ids': tf.io.FixedLenFeature([150], dtype=tf.int64),

      'segment_ids': tf.io.FixedLenFeature([150], dtype=tf.int64)

    }

    serialized_tf_example = tf.placeholder(

        dtype=tf.dtypes.string,

        shape=[None],

        name='input_tensor')

    receiver_tensors = {'example': serialized_tf_example}

    features = tf.parse_example(serialized_tf_example, tf_proto)

    ## 可能还会有feature preprocess逻辑在这里

    return tf.estimator.export.ServingInputReceiver(features, receiver_tensors)

另一种就是直接用原始特征请求，这时features和receiver_tensors是一样滴。这种方式的好处是用saved_model_cli可以直接检查serving的input格式，以及在请求特征size非常大的时候，这种请求能多少节省一点以上序列化所需的时间。

def serving_input_receiver_fn():

    token_ids = tf.placeholder(dtype=tf.int64, shape=[None, 150], name='token_ids')

    segment_ids = tf.placeholder(dtype=tf.int64, shape=[None,150], name='segment_ids')

    receiver_tensors  = {'token_ids': token_ids,

                        'segment_ids': segment_ids}

    return tf.estimator.export.ServingInputReceiver(receiver_tensors, receiver_tensors)

Export

定义好serving的输入输出后，直接export model即可，这里可以是训练完后export。也可以用已经训练好的checkpoint来build estimator然后直接export，这里会默认使用model_dir里面latest ckpt来export。

estimator._export_to_tpu = False

estimator.export_saved_model('serving_model/bilstm_crf', serving_input_receiver_fn)

输出的模型默认用当前timestamp作为folder_name, 按需要rename成version=1/2即可

然后我们可以通过saved_model_cli来检查模型输入输出。图一是tf.Example类型的输入，图二是raw tensor输入，raw tensor类型的输入debug更方便一点。

saved_model_cli show --all --dir ./serving_model/bilstm_crf/1

Warm up

在得到上面的servable model后，在serving前还有一步可选操作，就是加入warm up文件。这主要是因为tensorflow模型启动存在懒加载的逻辑，部分组件只在请求后才被触发运行，所以我们会观察到第一次（前几次）请求的latency会显著的高。warm up简单说就是在模型文件里带上几条请求的测试数据，在模型启动后用测试数据先去trigger懒加载的逻辑。具体操作就是在serving model的assets.extra目录里写入请求数据

NUM_RECORDS=5

with tf.io.TFRecordWriter("./serving_model/{}/{}/assets.extra/tf_serving_warmup_requests".format(MODEL, VERSION)) as writer:

    # 生成request的逻辑

    log = prediction_log_pb2.PredictionLog(

        predict_log=prediction_log_pb2.PredictLog(request=req))

    for r in range(NUM_RECORDS):

        writer.write(log.SerializeToString())

Server

server部分比较简单，比较推荐Docker部署，方便快捷。只需要三步

下载Docker https://docs.docker.com/get-docker/
下载和环境适配的Image，不指定版本默认是latest

docker pull tensorflow/serving:1.14.0

在本地运行运行服务，注意port 8500是给gRPC的，8501是給REST API的不要写错

docker run -t --rm -p 8500:8500  \

   -v "$(pwd)/serving_model/${MODEL_NAME}:/models/${MODEL_NAME}" \

   -e MODEL_NAME=${MODEL_NAME}  tensorflow/serving:1.14.0

gRPC client

Demo

这里我们以上面tf.Example的serving请求格式，看下如何用gRPC请求服务。请求主要分成3步：建立通信，生成request, 请求并解析response

第一步建立通信

channel = grpc.insecure_channel(‘localhost:8500’)

stub = prediction_service_pb2_grpc.PredictionServiceStub(channel)

第二步生成请求

# 得到tf_feature dict

example = tf.train.Example(

    features=tf.train.Features(feature=tf_feature)

).SerializeToString() # 得到example并序列化成string

example = [example] # add batch_size dimension

# 生成request

request = predict_pb2.PredictRequest()

request.model_spec.signature_name = 'serving_default' # set in estimator output

request.model_spec.name = 'bilstm_crf'

request.model_spec.version.value = 1

request.inputs['example'].CopyFrom(

    tensor_util.make_tensor_proto(example, dtype=tf.string)

    )

第三步请求服务，解析response

resp = stub.Predict.future(request, timeout=5)

res = resp.result().outputs

pred_ids = np.squeeze(tf.make_ndarray(res['pred_ids']))

gRPC踩坑

在使用gPRC client的过程中有几个可能会踩坑的点，哈哈但不排除出坑的姿势不完全正确，如果是的话求指正～

Not fork safe，使用多进程要注意！

官方文档：grpc/fork_support

gRPC并不是fork safe的，如果在fork之前创建channel，可能会碰到deadlock或者报错，取决于你用的gRPC版本。。。我使用的1.36版本会检查fork，如果channel在fork之前创建且未close，会raise‘ValueError: Cannot invoke RPC: Channel closed due to fork’，之前用的忘记是啥版本的会deadlock。想要在client侧使用多进程，合理的方案是在fork之后，在每个子进程中创建channel，如果主进程有channel需要先close掉。multiprocessing/client 给了一个多进程client的demo

channel重用大法好

官方文档：Performance Guide

最开始用gRPC我习惯性的在单条请求以后会channel.close，或者用with管理，后来发现channel创建销毁本身是比较耗时的。看了官方文档才发现正确使用方式是在整个client生命周期里复用同一个channel。至于stub，个人感觉创建成本很低，复用和每次从channel重新创建差别不大。

channel保活

官方文档：Keepalive User Guide

上面的channel复用会延伸到channel保活的问题。grpc客户端默认是长链接，避免了链接建立和销毁的开销，但需要keep-alive机制来保证客户端到服务端的链接持续有效。如果客户端发送请求的间隔较长，在一段时间没有请求后，需要知道到底是server掉线了，还是真的没有数据传输，这个链接还需不需要保持。grpc通过发送keep-alive ping来保活。

在链接建立后，keep-alive计时器开始，通过以下参数控制是否发送ping，发送的时间，次数，间隔。

grpc.keepalive_permit_without_calls，set=1则无请求进行，也可以发送keepalive ping
grpc.http2.max_pings_without_data，没有数据传输的情况下，最多允许send多少ping，set=0是无限发送
grpc.keepalive_time_ms，client发送ping的时间间隔
grpc.keepalive_timeout_ms，确认ping应答的超时时间
grpc.http2.min_ping_interval_without_data_ms，没有数据传输的情况下，server允许收到ping的最小时间间隔，小于这个间隔的ping会被认为是ping strike。这个数值设置要>=以上keepalive_time_ms
grpc.http2.max_pring_strikes, server最多允许ping strike的次数，超出会发送GOAWAY自动断开链接，set=0允许无限次

以下是参数的默认取值

statusCode.UNAVAILABLE，‘connection reset by peer’

针对偶发UNAVAILABLE的报错，部分情况可能是server部署环境和保活参数的设置有一些冲突，详见Docker Swarm 部署 gRPC 服务的坑，不过多数情况下都能被retry解决。grpc issue里提到一个interceptor 插件现在是experimental API。简单拆出来就是下面exponential backoff的retry逻辑。果然解决bug两大法器restart+retry。。。

RETRY_TIEMS = {

    StatusCode.INTERNAL: 1,

    StatusCode.ABORTED: 3,

    StatusCode.UNAVAILABLE: 3,

    StatusCode.DEADLINE_EXCEEDED: 5  # most-likely grpc channel close, need time to reopen

}

def grpc_retry(default_max_retry=3, sleep=0.01):

    def helper(func):

        @wraps(func)

        def handle_args(*args, **kwargs):

            counter = 0

            while True:

                try:

                    return func(*args, **kwargs)

                except RpcError as e:

                    max_retry = RETRY_TIEMS.get(e.code(), default_max_retry)

                    if counter >= max_retry:

                        raise e

                    counter += 1

                    backoff = min(sleep * 2 ** counter, 1) # exponential backoff

                    time.sleep(backoff)  # wait for grpc to reopen channel

        return handle_args

    return helper

Reference

https://www.cnblogs.com/junjiang3/p/9164513.html

http://d0evi1.com/tensorflow/serving/estimator_saved_model/

https://zhuanlan.zhihu.com/p/136619485