当前位置：首页 > article >正文

Seldon Core大模型部署详解

article 2024/11/14 2:52:19

一 Seldon Core定义

Seldon Core 目前是机器学习模型部署领域最受欢迎的方案之一，由 Seldon 公司开源和维护，旨在为不同框架下训练出来的模型（Tensorflow，Pytorch，SKLearn，XGBoost）提供一套相对统一的部署方式，支持多种不同类型模型的Inference Server。

seldoncore将ML模型（Tensorflow、Pytorch、H2o等）或语言包装器（Python、Java等）转换为生产REST/GRPC微服务。

Seldon可以扩展到数千个生产机器学习模型，并提供现成的高级机器学习功能，包括高级指标、请求日志记录、解释器、异常值检测器、A/B测试、金丝雀等。

二功能特点

多语言支持：支持多种编程语言和机器学习框架，如 Python、R、TensorFlow、PyTorch、Scikit-learn 等。
可扩展性：利用 Kubernetes 的可扩展性，支持大规模的模型部署和管理。
A/B 测试和多臂赌博机：支持 A/B 测试和多臂赌博机实验，帮助优化模型性能。
模型监控：提供详细的监控和日志功能，帮助跟踪模型的性能和健康状况。
安全性：支持身份验证和授权，确保模型和数据的安全。
弹性伸缩：根据负载自动扩展和缩减模型实例，确保高效的资源利用。
集成性：与 CI/CD 工具、监控工具（如 Prometheus 和 Grafana）和日志工具（如 ELK Stack）无缝集成。

三关键组件和底层原理

Seldon Core 的底层原理基于 Kubernetes 和容器化技术。它通过定义自定义资源（Custom Resource Definitions, CRDs）来扩展 Kubernetes API，使得用户可以使用 Kubernetes 原生的方式来管理机器学习模型，以下是 Seldon Core 的关键组件和原理：

1. SeldonDeployment CRD

Seldon Core 通过定义 SeldonDeployment CRD 来描述机器学习模型的部署规范。SeldonDeployment CRD 包含了模型的镜像、资源需求、服务配置等信息。

apiVersion：定义 CRD 的 API 版本。
kind：定义资源类型，这里是 SeldonDeployment。
metadata：包含资源的元数据，如名称和命名空间。
spec：定义模型的部署规范，包括预测器、图结构、模型 URI 等。

2. Seldon Operator

Seldon Operator 是一个控制器，负责监控 SeldonDeployment 资源的变化，并根据定义的规范创建和管理相应的 Kubernetes 资源（如 Pods、Services 等）。Seldon Operator 的主要职责包括：

监控 SeldonDeployment 资源的创建、更新和删除事件。
根据 SeldonDeployment 资源的定义，创建和管理相应的 Kubernetes 资源。
确保模型服务的高可用性和扩展性。

3. Model Server

Model Server 是容器化的模型服务器，负责加载和运行机器学习模型，处理预测请求。Seldon Core 支持多种模型服务器实现，如 TensorFlow Serving、SKLearn Server、XGBoost Server 等。

模型加载：从指定的存储位置加载模型。
预测处理：接收预测请求，调用模型进行预测，并返回预测结果。

4. Metrics Server

Metrics Server 收集和暴露模型的性能指标，供监控工具（如 Prometheus 和 Grafana）使用。常见的性能指标包括请求延迟、吞吐量、错误率等。

指标收集：收集模型服务的性能指标。
指标暴露：通过 Prometheus 格式暴露指标，供监控工具使用。

5. Router

Router 用于实现 A/B 测试和多臂赌博机实验，路由请求到不同的模型版本。Router 的主要职责包括：

请求路由：根据配置的路由策略，将请求分发到不同的模型版本。
实验管理：管理 A/B 测试和多臂赌博机实验，收集实验结果。

四 Seldon Core 的部署方案

Seldon Core 的部署方案主要包括以下步骤：

安装 Kubernetes 集群：确保 Kubernetes 集群已经安装并运行。
安装 Seldon Core：在 Kubernetes 集群中安装 Seldon Core。
创建 SeldonDeployment 资源：定义并创建 SeldonDeployment 资源，描述模型的部署规范。
部署模型：使用 kubectl 命令将 SeldonDeployment 资源应用到 Kubernetes 集群中。
访问模型服务：通过 Kubernetes 服务访问模型的预测接口。

1. 安装 Kubernetes 集群

可以使用多种方式安装 Kubernetes 集群，如 Minikube、Kubeadm、Google Kubernetes Engine（GKE）等。以下是使用 Minikube 安装 Kubernetes 集群的示例：

minikube start

2. 安装 Seldon Core

在 Kubernetes 集群中安装 Seldon Core。以下是使用 Helm 安装 Seldon Core 的示例：

kubectl create namespace seldon-system
kubectl apply -f https://raw.githubusercontent.com/SeldonIO/seldon-core/master/helm-charts/seldon-core-operator/templates/crds.yaml
helm install seldon-core seldon-core-operator --namespace seldon-system --repo https://storage.googleapis.com/seldon-charts

3. 创建 SeldonDeployment 资源

创建一个 YAML 文件，定义模型的部署规范。例如，以下是一个简单的 SeldonDeployment 示例：

apiVersion: machinelearning.seldon.io/v1
kind: SeldonDeployment
metadata:
  name: seldon-model
  namespace: default
spec:
  predictors:
  - name: default
    replicas: 1
    graph:
      name: classifier
      implementation: SKLEARN_SERVER
      modelUri: gs://seldon-models/sklearn/iris
    name: default

4. 部署模型

使用 kubectl 命令将 SeldonDeployment 资源应用到 Kubernetes 集群中：

kubectl apply -f seldon-deployment.yaml

5. 访问模型服务

部署完成后，可以通过 Kubernetes 服务访问模型的预测接口。例如，使用 curl 命令发送预测请求：

curl -X POST http://<NODE_IP>:<NODE_PORT>/api/v1.0/predictions -d '{"data": {"ndarray": [[5.1, 3.5, 1.4, 0.2]]}}'

五工作流程

模型打包：将机器学习模型打包为 Docker 镜像，并推送到容器镜像仓库。
定义 SeldonDeployment：创建一个 SeldonDeployment 资源，定义模型的部署规范。
部署模型：使用 kubectl 命令将 SeldonDeployment 资源应用到 Kubernetes 集群中。
Seldon Operator 监控：Seldon Operator 监控 SeldonDeployment 资源的变化，并创建相应的 Kubernetes 资源。
模型服务启动：模型服务器容器启动，加载模型并开始处理预测请求。
监控和日志：Metrics Server 收集模型的性能指标，日志工具记录模型的运行日志。
扩展和缩减：根据负载自动扩展和缩减模型实例，确保高效的资源利用。

六使用方法

使用 Seldon Core 通常涉及以下步骤：

安装 Seldon Core：

kubectl create namespace seldon-system
kubectl apply -f https://raw.githubusercontent.com/SeldonIO/seldon-core/master/helm-charts/seldon-core-operator/templates/crds.yaml
helm install seldon-core seldon-core-operator --namespace seldon-system --repo https://storage.googleapis.com/seldon-charts

创建 SeldonDeployment 资源：创建一个 YAML 文件，定义模型的部署规范。例如，以下是一个简单的 SeldonDeployment 示例：

apiVersion: machinelearning.seldon.io/v1
kind: SeldonDeployment
metadata:
  name: seldon-model
  namespace: default
spec:
  predictors:
  - name: default
    replicas: 1
    graph:
      name: classifier
      implementation: SKLEARN_SERVER
      modelUri: gs://seldon-models/sklearn/iris
    name: default

部署模型：使用 kubectl 命令将 SeldonDeployment 资源应用到 Kubernetes 集群中：
```
kubectl apply -f seldon-deployment.yaml
```
访问模型服务：部署完成后，可以通过 Kubernetes 服务访问模型的预测接口。例如，使用 curl 命令发送预测请求：
```
curl -X POST http://<NODE_IP>:<NODE_PORT>/api/v1.0/predictions -d '{"data": {"ndarray": [[5.1, 3.5, 1.4, 0.2]]}}'
```

七优缺点

优点：

Seldon Core的安装量超过200万台，可用于跨组织管理机器学习模型的大规模部署，其主要优点包括：
- 使用pre-packaged推理服务器、自定义服务器或语言包装器来容器化ML模型的简单方法。
- 现成的端点可以通过swaggerui、Seldon Python客户端或Curl/GRPCurl进行测试。
- 云不可知论者，在AWS EKS、azureaks、Google GKE、阿里云、数字海洋和Openshift上进行了测试。
- 由预测器、变压器、路由器、组合器等组成的强大而丰富的推理图。
- 元数据来源，以确保每个模型可以追溯到其各自的培训系统、数据和指标。
- 与普罗米修斯和格拉法纳集成的高级可定制指标。
- 通过模型input-output请求实现完全可审计性（日志与Elasticsearch集成）
- 通过集成到Jaeger的Microservice分布式跟踪，可以深入了解跨微服务跃点的延迟。
- 通过一致的安全和更新政策维护安全、可靠和强健的系统。

缺点：