如何使用PAI-Blade的SDK部署TensorFlow模型推理_人工智能平台 PAI(PAI)-阿里云帮助中心

PAI-Blade提供了C++ SDK帮助您部署优化后的模型推理。本文以TensorFlow模型为例，介绍PAI-Blade的SDK的使用方法。

前提条件

已使用PAI-Blade对TensorFlow模型进行了优化，详情请参见优化TensorFlow模型。
已安装SDK并获取鉴权Token，详情请参见安装Blade。因为本文使用GCC 4.8，所以需要使用pre-cxx11 ABI的SDK。本文选用3.7.0版本的RPM包。
说明
经过PAI-Blade优化的模型，必须依赖对应的SDK才能正常运行。

准备环境

本文以CentOS 7为例，介绍如何使用PAI-Blade的SDK部署TensorFlow模型推理。

准备服务器。
本文使用如下配置的ECS实例：
- 实例规格：ecs.gn6i-c4g1.xlarge，T4 GPU
- 操作系统：CentOS 7.9 64位
- 设备：CUDA 10.0
- 显卡驱动：Driver 440.64.00
- GPU计算加速包：CUDNN 7.6.5
安装GCC。
本文使用CentOS默认的GCC 4.8，安装命令如下。
```
yum install -y gcc-c++
```

安装Python 3。

# 更新 pip 版本。
python3 -m pip install --upgrade pip

# 安装virtualenv，在虚拟环境中安装TensorFlow。
pip3 install virtualenv==16.0
python3 -m virtualenv venv

# 重要！激活virtualenv。
source venv/bin/activate

安装TensorFlow，并下载相关库文件。
使用TensorFlow进行推理通常需要libtensorflow_framework.so和libtensorflow_cc.so两个动态链接库。实际生产中，必须构建TensorFlow Wheel包（包含libtensorflow_framework.so），并且与libtensorflow_cc.so使用的配置、环境及编译器版本一致。为演示方便，本文使用社区TensorFlow和已经预编译的库文件（请勿直接用于生产环境）。
```
# 安装TensorFlow。
pip3 install tensorflow-gpu==1.15.0

# 下载libtensorflow_cc.so。
wget http://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/demo/sdk/tensorflow/libtensorflow_cc.so
```

部署模型推理

通过PAI-Blade的SDK加载并部署优化后的模型推理，您无需修改原代码逻辑，只需要在编译时链接上PAI-Blade的SDK中的库文件。

准备模型。
本文使用已经优化好的示例模型进行演示，通过如下命令即可下载该模型。您也可以使用自己的优化模型，关于如何使用PAI-Blade优化模型，详情请参见优化TensorFlow模型。
```
wget http://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/demo/asr_frozen.pb
```
下载并查看推理代码。
通过PAI-Blade优化后的模型，其执行过程与常规TensorFlow模型相同，无需编写额外代码或配置额外信息。您可以使用如下命令下载本文使用的推理代码。
```
wget http://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/demo/sdk/tensorflow/tf_sdk_demo.cc
```
查看已下载的tf_sdk_demo.cc文件，其内容均为TensorFlow推理的通用逻辑，并没有PAI-Blade的相关代码。

编译代码。

您只需要额外链接SDK下/usr/local/lib子目录下的SO文件libtf_blade.so，即可正常运行PAI-Blade优化后的模型。编译命令如下所示。

# 获取TensorFlow的编译flag。
TF_COMPILE_FLAGS=$(python3 -c 'import tensorflow as tf; print(" ".join(tf.sysconfig.get_compile_flags()))')

# 获取TensorFlow的链接flag。
TF_LD_FLAGS=$(python3 -c 'import tensorflow as tf; print(" ".join(tf.sysconfig.get_link_flags()))')

# libtensorflow_cc.so在当前目录。
TF_CC_PATH='.'

g++ -std=c++11 tf_sdk_demo.cc \
    ${TF_COMPILE_FLAGS} \
    ${TF_LD_FLAGS} \
    -L ${TF_CC_PATH} \
    -L /usr/local/lib \
    -ltensorflow_cc \
    -ltf_blade \
    -ltao_ops \
    -o demo_cpp_sdk.bin

您可以根据实际情况修改如下参数：

tf_sdk_demo.cc：推理代码的文件名。
/usr/local/lib：SDK的安装路径，通常无需修改。
demo_cpp_sdk.bin：编译生成的可执行程序名。

说明

相比常规TensorFlow Serving的编译，此处需要额外链接两个PAI-Blade提供的包含优化OP的SO文件，即libtf_blade.so和libtao_ops.so。

本地执行模型推理。

您可以参考如下命令，使用编译好的可执行程序（demo_cpp_sdk.bin）加载并执行PAI-Blade优化好的示例模型（asr_frozen.pb）。

# 必填，请联系PAI团队获取。
export BLADE_REGION=<region>
# 必填，请联系PAI团队获取。
export BLADE_TOKEN=<token>
TF_LD_FLAGS=$(python3 -c 'import tensorflow as tf; print(" ".join(tf.sysconfig.get_link_flags()))')
TF_FRAMEWORK_PATH=`echo $TF_LD_FLAGS | awk '{print $1}' | sed "s/-L//g"`
LD_LIBRARY_PATH=${TF_FRAMEWORK_PATH}:${TF_CC_PATH}:/usr/local/lib:${LD_LIBRARY_PATH} ./demo_cpp_sdk.bin asr_frozen.pb

您需要根据实际情况替换以下参数：

<region>：PAI-Blade支持的地域，需要加入PAI-Blade用户群获取该信息，用户群的二维码详情请参见获取Token。
<token>：鉴权Token，需要加入PAI-Blade用户群获取该信息，用户群的二维码详情请参见获取Token。
/usr/local/lib：SDK的安装目录，通常无需修改。
demo_cpp_sdk.bin：上一步中编译好的可执行程序。
asr_frozen.pb：PAI-Blade优化好的TensorFlow模型。本文使用步骤1中下载的示例模型。

系统回显如下类似结果，表示模型已经顺利地开始执行了。

...
2020-11-20 16:41:41.263192: I demo_cpp_sdk.cpp:96] --- Execution uses: 41.995 ms
2020-11-20 16:41:41.305550: I demo_cpp_sdk.cpp:96] --- Execution uses: 42.334 ms
2020-11-20 16:41:41.347772: I demo_cpp_sdk.cpp:96] --- Execution uses: 42.195 ms
2020-11-20 16:41:41.390894: I demo_cpp_sdk.cpp:96] --- Execution uses: 43.09 ms
2020-11-20 16:41:41.434968: I demo_cpp_sdk.cpp:96] --- Execution uses: 44.047 ms
...