使用函數(shù)計(jì)算三步實(shí)現(xiàn)深度學(xué)習(xí) AI 推理在線服務(wù)

目前深度學(xué)習(xí)應(yīng)用廣發(fā)， 其中 AI 推理的在線服務(wù)是其中一個(gè)重要的可落地的應(yīng)用場(chǎng)景。本文將為大家介紹使用函數(shù)計(jì)算部署深度學(xué)習(xí) AI 推理的最佳實(shí)踐, ?其中包括使用 FUN 工具一鍵部署安裝第三方依賴、一鍵部署、本地調(diào)試以及壓測(cè)評(píng)估， 全方位展現(xiàn)函數(shù)計(jì)算的開發(fā)敏捷特性、自動(dòng)彈性伸縮能力、免運(yùn)維和完善的監(jiān)控設(shè)施。

1.1 DEMO 概述

通過(guò)上傳一個(gè)貓或者狗的照片， 識(shí)別出這個(gè)照片里面的動(dòng)物是貓還是狗

• DEMO 示例效果入口： http://sz.mofangdegisn.cn
• DEMO 示例工程地址： https://github.com/awesome-fc/cat-dog-classify

開通服務(wù)

免費(fèi)開通函數(shù)計(jì)算， 按量付費(fèi)，函數(shù)計(jì)算有很大的免費(fèi)額度。

免費(fèi)開通文件存儲(chǔ)服務(wù)NAS， 按量付費(fèi)

1.2 解決方案

如上圖所示， 當(dāng)多個(gè)用戶通過(guò)對(duì)外提供的 url 訪問(wèn)推理服務(wù)時(shí)候，每秒的請(qǐng)求幾百上千都沒(méi)有關(guān)系， 函數(shù)計(jì)算平臺(tái)會(huì)自動(dòng)伸縮， 提供足夠的執(zhí)行實(shí)例來(lái)響應(yīng)用戶的請(qǐng)求， 同時(shí)函數(shù)計(jì)算提供了完善的監(jiān)控設(shè)施來(lái)監(jiān)控您的函數(shù)運(yùn)行情況。

1.3. Serverless 方案與傳統(tǒng)自建服務(wù)方案對(duì)比

1.3.1 卓越的工程效率

1.3.2 彈性伸縮免運(yùn)維

1.3.3 更低的成本

• 函數(shù)計(jì)算 (FC) 固有自動(dòng)伸縮和負(fù)載均衡功能，用戶不需要購(gòu)買負(fù)載均衡 (SLB) 和彈性伸縮。
• 具有明顯波峰波谷的用戶訪問(wèn)場(chǎng)景(比如只有部分時(shí)間段有請(qǐng)求，其他時(shí)間甚至沒(méi)有請(qǐng)求)，選擇按需付費(fèi)，只需為實(shí)際使用的計(jì)算資源付費(fèi)。

對(duì)于明顯波峰波谷或者稀疏調(diào)用具有低成本優(yōu)勢(shì)， 同時(shí)還保持了彈性能力，以后業(yè)務(wù)規(guī)模做大以后并沒(méi)有技術(shù)切換成本，同時(shí)財(cái)務(wù)成本增長(zhǎng)配合預(yù)付費(fèi)也能保持平滑。

• 部分請(qǐng)求持續(xù)平穩(wěn)的場(chǎng)景下,可以配合預(yù)付費(fèi)解決按需付費(fèi)較高單價(jià)問(wèn)題。函數(shù)計(jì)算成本優(yōu)化最佳實(shí)踐文檔。

假設(shè)有一個(gè)在線計(jì)算服務(wù)，由于是CPU 密集型計(jì)算， 因此在這里我們將平均 CPU 利用率作為核心參考指標(biāo)對(duì)成本，以一個(gè)月為周期，10臺(tái) C5 ECS 的總計(jì)算力為例，總的計(jì)算量約為 30% 場(chǎng)景下， 各解決方案 CPU 資源利用率使用情況示意圖大致如下:

由上圖預(yù)估出如下計(jì)費(fèi)模型：

• 函數(shù)計(jì)算預(yù)付費(fèi) 3CU 一個(gè)月: 246.27 元， 計(jì)算能力等價(jià)于 ECS 計(jì)算型 C5
• ECS 計(jì)算型 C5 (2vCPU,4GB)+云盤: 包月219 元，按量: 446.4 元
• 包月10 Mbps 的 SLB: 526.52 元(這里做了一定的流量假設(shè))， 彈性伸縮免費(fèi)
• 飽和使用下，函數(shù)計(jì)算按量付費(fèi)的一臺(tái)機(jī)器成本約為按量付費(fèi) C5 ECS 的2 倍

注：

1. 這里假設(shè)函數(shù)邏輯沒(méi)有公網(wǎng)公網(wǎng)下行流量費(fèi)用， 即使有也是一致的， 這里成本比較暫不參與

2. 延時(shí)敏感，當(dāng) CPU 利用率大于等于 50% 就需要開始進(jìn)行擴(kuò)容，不然更來(lái)不及應(yīng)對(duì)峰值

3. 成本敏感，當(dāng) CPU 利用率大約 80% 即開始進(jìn)行擴(kuò)容， 能容受一定幾率的超時(shí)或者5XX

上表中， 其中函數(shù)計(jì)算組合付費(fèi)中的 X 為按需付費(fèi)的成本價(jià)，假設(shè)按需付費(fèi)的計(jì)算量占整個(gè)計(jì)算量的 10%，假設(shè) CPU 利用率為100%, ?對(duì)應(yīng)上表，那么需要 3 臺(tái) ECS 的計(jì)算能力即可。因此 FC 按量付費(fèi)的成本 X = 3 ?446.4 ? 10% ? 2 = ?267.84 （ FC 按量付費(fèi)是按量 ECS 的2倍），這個(gè)時(shí)候函數(shù)計(jì)算組合付費(fèi)總計(jì) ?1005.8 元。 在這個(gè)模型預(yù)估里面， 只要 FC 按量付費(fèi)占整個(gè)計(jì)算量小于 20%， 即使不考慮 SLB, 單純考慮計(jì)算成本， 都是有一定優(yōu)勢(shì)的。

1.3.4. 小結(jié)

基于函數(shù)計(jì)算進(jìn)行 AI 推理等 CPU 密集型的主要優(yōu)勢(shì)：

1. 上手簡(jiǎn)單， 只專注業(yè)務(wù)邏輯開發(fā)， 極大提高工程開發(fā)效率。
   • 自建方案有太多學(xué)習(xí)和配置成本，如針對(duì)不同場(chǎng)景，ESS 需要做各種不同的參數(shù)配置
   • 系統(tǒng)環(huán)境的維護(hù)升級(jí)等
2. 免運(yùn)維，函數(shù)執(zhí)行級(jí)別粒度的監(jiān)控和告警。
3. 毫秒級(jí)彈性擴(kuò)容，保證彈性高可用，同時(shí)能覆蓋延遲敏感和成本敏感類型。
4. 在 CPU 密集型的計(jì)算場(chǎng)景下， 通過(guò)設(shè)置合理的組合計(jì)費(fèi)模式， 在如下場(chǎng)景中具有成本優(yōu)勢(shì)：
   • 請(qǐng)求訪問(wèn)具有明顯波峰波谷， 其他時(shí)間甚至沒(méi)有請(qǐng)求
   • 有一定穩(wěn)定的負(fù)載請(qǐng)求， 但是有部分時(shí)間段請(qǐng)求量突變劇烈

打包代碼ZIP包和部署函數(shù)

FUN 操作簡(jiǎn)明視頻教程

開通服務(wù)

免費(fèi)開通函數(shù)計(jì)算， 按量付費(fèi)，函數(shù)計(jì)算有很大的免費(fèi)額度。

免費(fèi)開通文件存儲(chǔ)服務(wù)NAS， 按量付費(fèi)

2.1 安裝第三方包到本地并上傳到NAS

2.1.1 安裝最新的Fun

• 安裝版本為8.x 最新版或者10.x 、12.x nodejs
• 安裝 funcraf

2.1.2 Clone 工程 & Fun 一鍵安裝第三方庫(kù)到本地

• git clone https://github.com/awesome-fc/cat-dog-classify.git
• 復(fù)制 .env_example 文件為 .env, 并且修改 .env 中的信息為自己的信息
• 執(zhí)行 fun install -v, ?fun 會(huì)根據(jù) Funfile 中定義的邏輯安裝相關(guān)的依賴包

root@66fb3ad27a4c: ls .fun/nas/auto-default/classify
model  python
root@66fb3ad27a4c: du -sm .fun
697     .fun

根據(jù) Funfile 的定義：

• 將第三方庫(kù)下載到 .fun/nas/auto-default/classify/python 目錄下
• 本地 model 目錄移到 .fun/nas/auto-default/model 目錄下

安裝完成后，從這里我們看出， 函數(shù)計(jì)算引用的代碼包解壓之后已經(jīng)達(dá)到了 670 M, 遠(yuǎn)超過(guò) 50M 代碼包限制, 解決方案是 NAS 詳情可以參考: ?掛載NAS訪問(wèn)，幸運(yùn)的是 FUN 工具一鍵解決了 nas 的配置和文件上傳問(wèn)題。

2.1.3. 將下載的依賴的第三方代碼包上傳到 NAS

fun nas init
fun nas info
fun nas sync
fun nas ls nas://classify:/mnt/auto/

依次執(zhí)行這些命令，就將本地中的 .fun/nas/auto-default 中的第三方代碼包和模型文件傳到 NAS 中, 依次看下這幾個(gè)命令的做了什么事情:

• fun nas init: 初始化 NAS, 基于您的 .env 中的信息獲取(已有滿足條件的nas)或創(chuàng)建一個(gè)同region可用的nas
• fun nas info: 可以查看本地 NAS 的目錄位置, 對(duì)于此工程是 $(pwd)/.fun/nas/auto-default/classify
• fun nas sync: 將本地 NAS 中的內(nèi)容（.fun/nas/auto-default/classify）上傳到 NAS 中的 classify 目錄
• fun nas ls nas:///mnt/auto/: 查看我們是否已經(jīng)正確將文件上傳到了 NAS

登錄 NAS 控制臺(tái) https://nas.console.aliyun.com 和 VPC 控制臺(tái) https://vpc.console.aliyun.com<br />可以觀察到在指定的 region 上有 NAS 和 相應(yīng)的 vpc 創(chuàng)建成功

2.2 本地調(diào)試函數(shù)

在 template.yml 中， 指定了這個(gè)函數(shù)是 http 類型的函數(shù)， 所以根據(jù) fun 的提示:

Tips for next step
======================
* Invoke Event Function: fun local invoke
* Invoke Http Function: fun local start
* Build Http Function: fun build
* Deploy Resources: fun deploy

執(zhí)行 fun local start, ?本地就會(huì)啟動(dòng)一個(gè) http server 來(lái)模擬函數(shù)的執(zhí)行， 然后我們 client 端可以使用 postman， curl 或者瀏覽器， 比如對(duì)于本例：

2.3 部署函數(shù)到FC平臺(tái)

本地調(diào)試OK 后，我們接下來(lái)將函數(shù)部署到云平臺(tái)：

修改 template.yml LogConfig 中的 Project, 任意取一個(gè)不會(huì)重復(fù)的名字即可，有兩處地方需要更改，然后執(zhí)行

fun deploy

注意: ?template.yml 注釋的部分為自定義域名的配置, 如果想在 fun deploy 中完成這個(gè)部署工作:

• 先去域名解析, 比如在示例中, 將域名 sz.mofangdegisn.cn 解析到 123456.cn-hangzhou.fc.aliyuncs.com, 對(duì)應(yīng)的域名、accountId 和 region 修改成自己的
• 去掉 template.yml 中的注釋, 修改成自己的域名
• 執(zhí)行 fun deploy

這個(gè)時(shí)候如果沒(méi)有自定義域名， 直接通過(guò)瀏覽器訪問(wèn)訪問(wèn)http trigger 的url， 比如 https://123456.cn-shenzhen.fc.aliyuncs.com/2016-08-15/proxy/classify/cat-dog/ 會(huì)被強(qiáng)制下載.

原因:https://help.aliyun.com/knowledge_detail/56103.html#HTTP-Trigger-compulsory-header

登錄控制臺(tái)https://fc.console.aliyun.com，可以看到service 和 函數(shù)已經(jīng)創(chuàng)建成功， 并且 service 也已經(jīng)正確配置。

在這里，我們發(fā)現(xiàn)第一次打開頁(yè)面訪問(wèn)函數(shù)的時(shí)候，執(zhí)行環(huán)境實(shí)例冷啟動(dòng)時(shí)間非常長(zhǎng)， 如果是一個(gè)在線AI推理服務(wù)，對(duì)響應(yīng)時(shí)間非常敏感，冷啟動(dòng)引起的毛刺對(duì)于這種類型的服務(wù)是不可接受的，接下來(lái)，本文講解如何利用函數(shù)計(jì)算的預(yù)留模式來(lái)消除冷啟動(dòng)帶來(lái)的負(fù)面影響。

使用預(yù)留模式消除冷啟動(dòng)毛刺

函數(shù)計(jì)算具有動(dòng)態(tài)伸縮的特性， 根據(jù)并發(fā)請(qǐng)求量，自動(dòng)彈性擴(kuò)容出執(zhí)行環(huán)境來(lái)執(zhí)行環(huán)境，在這個(gè)典型的深度學(xué)習(xí)示例中，import keras 消耗的時(shí)間很長(zhǎng) ， 在我們?cè)O(shè)置的 1 G 規(guī)格的函數(shù)中， 并發(fā)訪問(wèn)的時(shí)候耗時(shí)10s左右， 有時(shí)甚至20s+

start = time.time()
from keras.models import model_from_json
print("import keras time = ", time.time()-start)

3.1 函數(shù)計(jì)算設(shè)置預(yù)留

預(yù)留操作簡(jiǎn)明視頻教程

• 在 FC 控制臺(tái)，發(fā)布版本，并且基于該版本創(chuàng)建別名 prod，并且基于別名 prod 設(shè)置預(yù)留, 操作過(guò)程請(qǐng)參考：https://help.aliyun.com/document_detail/138103.html
• 將該函數(shù)的 http trigger 和 自定義域名的設(shè)置執(zhí)行 prod 版本
  

一次壓測(cè)結(jié)果

從上面圖中我們可以看出，當(dāng)函數(shù)執(zhí)行的請(qǐng)求到來(lái)時(shí)，優(yōu)先被調(diào)度到預(yù)留的實(shí)例中被執(zhí)行， 這個(gè)時(shí)候是沒(méi)有冷啟動(dòng)的，所以請(qǐng)求是沒(méi)有毛刺的， 后面隨著測(cè)試的壓力不斷增大(峰值TPS 達(dá)到 1184), 預(yù)留的實(shí)例不能滿足調(diào)用函數(shù)的請(qǐng)求， 這個(gè)時(shí)候函數(shù)計(jì)算就自動(dòng)進(jìn)行按需擴(kuò)容實(shí)例供函數(shù)執(zhí)行，此時(shí)的調(diào)用就有冷啟動(dòng)的過(guò)程， 從上面我們可以看出，函數(shù)的最大 latency 時(shí)間甚至達(dá)到了 32s，如果這個(gè)web AP是延時(shí)敏感的，這個(gè) latency 是不可接受的。

總結(jié)

• 函數(shù)計(jì)算具有快速自動(dòng)伸縮擴(kuò)容能力
• 預(yù)留模式很好地解決了冷啟動(dòng)中的毛刺問(wèn)題
• 開發(fā)簡(jiǎn)單易上手，只需要關(guān)注具體的代碼邏輯， Fun 工具助您一鍵式部署運(yùn)用
• 函數(shù)計(jì)算具有很好監(jiān)控設(shè)施, 您可以可視化觀察您函數(shù)運(yùn)行情況， 執(zhí)行時(shí)間、內(nèi)存等信息

有任何問(wèn)題歡迎進(jìn)掃碼進(jìn)釘釘群溝通

“阿里巴巴云原生關(guān)注微服務(wù)、Serverless、容器、Service Mesh 等技術(shù)領(lǐng)域、聚焦云原生流行技術(shù)趨勢(shì)、云原生大規(guī)模的落地實(shí)踐，做最懂云原生開發(fā)者的技術(shù)圈。”