如何使用Docker和DigitalOcean空间部署DigitalOcean服务

Question

如何配置TensorFlow服务以使用存储在DigitalOcean空间中的文件？

重要的是解决方案：

• 提供对配置和模型文件的访问。
• 提供对数据的非公共访问。

我已经在your_bucket_name空间中配置了一个名为DigitalOcean的桶，其结构如下：

- your_bucket_name
  - config
    - batching_parameters.txt
    - monitoring_config.txt
    - models.config
  - models
    - model_1
      - version_1.1
        - variables
          - variables.data-00000-of-00001
          - variables.index
        - saved_model.pb
   - model_2
       - ...
   - model_3
       - ...

Answer 1

编辑：自TensorFlow 2.6以来，S3支持已被废弃，Docker映像也不再支持存储在S3 [参考文献]上的模型。( @RonaldDas.)

历史记录：TensorFlow服务支持与亚马逊S3存储桶的集成。由于DigitalOcean空间提供了类似的接口，因此可以通过Docker轻松地通过S3接口运行带有DigitalOcean空间的S3服务。

为了让其他人更容易，我详细介绍了您需要了解的关于运行以下服务器的所有信息：

1.环境变量(可选)

在您的环境中定义以下变量：

AWS_ACCESS_KEY_ID=...
AWS_SECRET_ACCESS_KEY=...

(这并不是绝对必要的，但定义这些变量比将值硬编码到您的坞-撰写文件中更安全。)

您可以从DigitalOcean空间接收这些变量的值，作为配置云存储桶的一部分。

2.服务器

您可以使用Docker或docker-组合启动服务器：

2.1。使用码头

下面是从命令提示符启动服务器的一个最小的docker命令：

docker run \
    -p 8500:8500 \
    -p 8501:8501 \
    -e AWS_ACCESS_KEY_ID=${AWS_ACCESS_KEY_ID} \
    -e AWS_REGION=nyc3 \
    -e AWS_SECRET_ACCESS_KEY=${AWS_SECRET_ACCESS_KEY} \
    -e S3_ENDPOINT=nyc3.digitaloceanspaces.com \
    tensorflow/serving \
    --model_config_file=s3://your_bucket_name/config/models.config

(要在Windows上运行此命令，您可能需要删除回拨换行符，使其成为单行命令。)

2.2。使用船坞组合

这种停靠组合配置在服务器配置方式上要详细一些，但是您也可以通过简单的docker命令使用这些选项。

version: "3"
services:
  tensorflow-servings:
    image: tensorflow/serving:latest
    ports:
      - 8500:8500
      - 8501:8501
    command:
      - --batching_parameters_file=s3://your_bucket_name/config/batching_parameters.txt
      - --enable_batching=true
      - --model_config_file=s3://your_bucket_name/config/only_toxic.config
      - --model_config_file_poll_wait_seconds=300
      - --monitoring_config_file=s3://your_bucket_name/config/monitoring_config.txt
      - --rest_api_timeout_in_ms=30000
    environment:
      - AWS_ACCESS_KEY_ID=${AWS_ACCESS_KEY_ID}
      - AWS_LOG_LEVEL=3
      - AWS_REGION=nyc3
      - AWS_SECRET_ACCESS_KEY=${AWS_SECRET_ACCESS_KEY}
      - S3_ENDPOINT=nyc3.digitaloceanspaces.com

这里减少了日志级别，因为这里有很多“释放的连接”和“没有响应体”的消息，这些消息都不是实际的错误。(有关更多细节，请参见GitHub问题: AWS在使用S3时是冗长的。)

3.配置文件：

配置文件如下所示，它们是协议缓冲区：

3.1。models.config

model_config_list {
  config {
    name: 'model_1'
    base_path: 's3://your_bucket_name/models/model_1/'
      model_platform: "tensorflow"
  },
  config {
    ...
  },
  config {
    ...
  }
}

3.2。batching_parameters.txt (可选)

该文件定义了TensorFlow服务的指导方针；指导它在服务器中处理批处理的方式。

    max_batch_size { value: 1024 }
    batch_timeout_micros { value: 100 }
    num_batch_threads { value: 4 }
    pad_variable_length_inputs: true

3.3。monitoring_config.txt (可选)

该文件通过以下定义的端点提供各种统计信息。

prometheus_config {
  enable: true,
  path: "/monitoring/metrics"
}