sentence-transformer在TorchServe的应用&如何自定义handler(custom handler)

最新推荐文章于 2024-06-23 18:48:16 发布

海蛎子程序员

最新推荐文章于 2024-06-23 18:48:16 发布

阅读量654

点赞数 1

分类专栏： torch bert 文章标签： transformer pytorch 深度学习

本文链接：https://blog.csdn.net/oLIMBO123/article/details/124847014

版权

torch 同时被 2 个专栏收录

1 篇文章 0 订阅

订阅专栏

bert

1 篇文章 0 订阅

订阅专栏

系列文章目录

前言

本文是关于sentence-transformer在TorchServe的应用&如何自定义handler(custom handler)

一、TorchServe必安包&环境

- pip install torchserve torch-model-archiver torch-workflow-archiver
- pip install captum(if you wanna explain your prediction, it’s mandatory)
- JDK version is 11

二、torch-model-archiver将模型转成.mar文件

1.使用torch-model-archiver

首先展示个torch-model-archiver样例，运行了这个代码，就将我的模型.bin文件转成了.mar文件

torch-model-archiver --model-name CrossForControl --version 1.0 --serialized-file Transformer_model/pytorch_model.bin --handler ./Transformer_handler_generalized.py --extra-files "./extra_files" -f --export-path model_store --requirements-file ./requirements.txt

解释下各个参数的含义

先从简单的讲解

—model_name 就是指定.mar文件的文件名
—version 就是设定模型的版本，后面推理接口的URL里可以指定version
—serialized-file 就是我们模型的路径，只需要指定.bin文件即可或者.pth
—export-path 就是.mar导出的路径
–requirements-file 就是我们要用到一些torchserve不包括的额外的包，比如我的模型是sentence-transformer中的cross-encoder，sentence-transforme包在torchserve默认的安装包目录里是没有的，我需要在requirements.txt里指定sentence-transformer
—extra-files 这个参数就有说道了，如果大家理解hugging_face的模型，会知道除了pytorch_model.bin模型外，还有vocab.txt,config.json等等额外的文件，这些文件用来生成模型tokenizer或指定模型architecture，都是我们加载模型时的必要的文件。所以我们要把这些文件都通过这个—extra-files 传给torchserve。有的时候要额外传输的文件很多，可以将额外的文件放在同一个文件夹里，在—extra-files后加-f来循环我们的文件夹。
setup_config.json在我们自定义的handler中负责初始化模型。后面介绍custom handler再说。

index_to_name.json 是推理时，有的模型比如QuestionAnswer,返回了答案库里和问题最接近的前三个答案的索引，返回索引是不够的，通常需要将索引对应的答案字符串返回才是客户想要的。就通过这个文件就可以做到。在这里插入图片描述

–handler 就是输入我们自定义handler的路径

2.如何自定义使用我们自己的handler

我这个自定义的handler主要是参考的reference中的第二个链接。
Provide a custom script to:
    * Initialize the model instance when you run torch-model-archiver 
    * Pre-process input data before it is sent to the model for inference or Captum explanations when you 
    * Customize how the model is invoked for inference or explanations
    * Post-process output from the model before sending back a response
	Following is applicable to all types of custom handlers
    * data - The input data from the incoming request
    * context - Is the TorchServe context. You can use following information for customization model_name, model_dir, manifest, batch_size, gpu etc.
    *

首先custom handler简单的可以一共分为四步(如果需要对模型进行解释，那更复杂一些):

初始化阶段-在这一步加载我们的模型，其中需要传入参数context，那什么是context，context怎么设定的
- context - Is the TorchServe context. You can use following information for customization model_name, model_dir, manifest, batch_size, gpu etc
- 我在initial函数里加入的代码，就是简单的加载模型
加载模型后，是读取数据，在preprocess函数实现，其中数据通过request传进来，这一步通常还对传入的数据tokenize，但是我并没有tokenize。
数据进来后，那么就可以推理了，通过inference函数实现。我得到模型的预测结果，并选取分值前三的答案，其中的self.mapping就是前文index_to_name.json的字典，再将index转成对应的字符串，最终将前三结果转成字符串的格式，放在inferences列表里返回(其实这些步骤可以在postprocess函数里实现更标准)，另外要注意返回的话，如果是字典会报错，所以我改成了字符串，并放在列表里。
最后就可以跑torch-archiver的命令了，也就是文章一开始那个例子，生成.mar文件

torch-model-archiver --model-name CrossForControl --version 1.0 --serialized-file Transformer_model/pytorch_model.bin --handler ./Transformer_handler_generalized.py --extra-files "./extra_files" -f --export-path model_store --requirements-file ./requirements.txt

3.启动tochserve

启动tochserve的命令
torchserve --start --model-store model_store --models my_tc=CrossForControl.mar --ncs
其中–model-store 是the location where your .mar file
关闭torchserve的命令
torchserve —stop
访问预测API的命令
curl -X POST http://127.0.0.1:8080/predictions/my_tc -T ./data/sample_text.txt
sample_text是我传入的question和answer bank，我的应用背景类似问答，大家如果场景不同，可以去官网的example里看看，下面有链接。
Check if torchserve run successfully
http://localhost:8080/ping
Management api
http://localhost:8081/models

4.Reference

1.https://github.com/pytorch/serve/tree/master/model-archiver
2.https://github.com/pytorch/serve/blob/master/examples/Huggingface_Transformers/Transformer_handler_generalized.py
3.https://github.com/pytorch/serve/blob/master/docs/custom_service.md
4.https://github.com/pytorch/serve/blob/master/docs/inference_api.md
5.https://github.com/pytorch/serve/blob/master/docs/configuration.md

总结

花了2天研究的torchserve，现在也是刚刚入门，写个文章做个记录，其中踩了个坑，这个坑差不多是bert模型的文件夹里还有个pool池化层的子文件夹，将这个子文件夹作为extra_files上传的时候，池化层的子文件貌似被放到了bert模型的主文件夹路径下，导致torchserve加载这个模型一直失败，现在也没有解决，后续解决了，更新下文章。