PAI-EAS内置Processor介绍

Processor是包含在线预测逻辑的程序包，我们已经针对常用的PMML、TensorFlow、Caffe提供好了内置的Processor，这几类的常规模型都可以直接使用我们的内置Processor进行服务部署，节省开发在线预测逻辑的成本。

目录

1. PMML Processor
2. TensorFlow Processor
3. Caffe Processor

1. PMML Processor

• 什么是PMML：Predictive Model Markup Language，一种预测模型标记语言，在PAI Studio上训练的传统机器学习模型大多都可以导出为这种格式
• PAI Studio中PMML模型导出方法：
  • 在执行实验前在[设置-基本设置]勾选自动生成PMML，
  • 点击执行实验，执行完成后，在画布中的模型训练节点上[右键单击节点-模型选项-导出PMML]，或者画布左侧[模型-右键单击模型-导出PMML]，可直接下载生成好的PMML模型
  • PAI Studio中可生成PMML模型的算法包括：GBDT二分类、线性支持向量机、逻辑回归二分类、逻辑回归多分类、随机森林、KMeans、线性回归、GBDT回归、评分卡训练等

• PAI-EAS通用PMML Processor主要执行的功能为，将PMML类型的模型文件加载成一个服务，处理对模型服务进行调用的请求，按模型计算出结果进行返回。
• PMML Processor提供了默认的缺失值填充策略，当PMML模型文件中的特征字段没有指定isMissing策略时，我们会默认以下面值填充缺失值。

• PMML模型部署支持方式

  1. 控制台上传：模型上传部署-模型配置-processor种类选择PMML，按提示操作即可
  2. 在PAI Studio部署：画布点击[部署-在线服务部署]后按操作提示即可

  3. 本地客户端部署：在创建服务的配置service.json中指定processor字段为pmml，如下所示，客户端完整部署方式请查看

     {
     "processor": "pmml", 
     "generate_token": "true",
     "model_path": "http://xxxxx/lr.pmml", 
     "name": "eas_lr_example", 
     "metadata": {
     "instance": 1, 
     "cpu": 1 #自动为每个cpu配置4G内存，称为1Quota
     }
     }

  4. 在DSW中部署：同本地客户端部署方式

2. TensorFlow Processor

• PAI EAS提供的TensorFlow Processor可以加载SavedModel(推荐)、SessionBundle(官方已废弃)格式的TensorFlow模型，Keras模型或者Checkpoint可以参考TensorFlow模型导出中的方法进行模型转换后，再进行模型部署
• 通用Processor不支持自定义OP
• TensorFlow模型部署支持方式
  1. 控制台上传：模型上传部署-模型配置-processor种类选择TensorFlow，按提示操作即可
  2. 在PAI Studio部署：画布点击[部署-在线服务部署]后按操作提示即可
  3. 本地客户端部署：在创建服务的配置service.json中指定processor字段为tensorflow_cpu或者tensorflow_gpu，需要根据部署所用的资源来选择，如果不匹配会导致部署报错。简单示例如下所示，客户端完整部署方式请查看

{
  "name": "tf_serving_test",
  "generate_token": "true",
  "model_path": "http://xxxxx/savedmodel_example.zip",
  "processor": "tensorflow_cpu",
  "metadata": {
    "instance": 1,
    "cpu": 1,
    "gpu": 0,
    "memory": 2000
  }
}

1. 在DSW中部署：同本地客户端部署方式

3. Caffe Processor

• PAI EAS提供的Caffe Processor可以加载Caffe框架训练出来的深度学习模型
• 由于Caffe框架的灵活性，我们在部署Caffe模型时，需要指定模型包中的Model文件名称和Weight文件名称，如下示例
• 通用Processor不支持自定义DataLayer
• Caffe模型部署支持方式
  1. 控制台上传，Processor种类选择Caffe
  2. 本地客户端部署：在创建服务的配置service.json中指定processor字段为caffe_cpu或者caffe_gpu，根据部署所用的资源类型来选择，如果不匹配会导致部署报错。简单示例如下所示，客户端完整部署方式请查看EASCMD客户端使用手册
  3. 在DSW中部署：同本地客户端部署方式

     {
     "name": "caffe_serving_test",
     "generate_token": "true",
     "model_path": "http://xxxxx/caffe_model.zip",
     "processor": "caffe_cpu",
     "model_config": {
        "model": "deploy.prototxt", 
        "weight": "bvlc_reference_caffenet.caffemodel"
     },
     "metadata": {
     "instance": 1,
     "cpu": 1,
     "gpu": 0,
     "memory": 2000
     }
     }