このガイドでは、オープンソースの Fashion-MNIST データセットを使用して、開発者がクラウドネイティブ AI スイートを利用して Container Service for Kubernetes (ACK) 上でディープラーニングワークロードを実行し、分散トレーニングを最適化し、モデルをデバッグし、トレーニング済みモデルをクラスターにデプロイする方法を説明します。
背景情報
クラウドネイティブ AI スイートは、AI エンジニアリングを加速させるための独立してデプロイ可能なコンポーネント (K8s Helm チャート) を提供します。
クラウドネイティブ AI スイートには、管理者と開発者の 2 つのユーザーロールがあります。
管理者：ユーザー、権限、クラスターリソース、外部ストレージ、データセットを管理し、ダッシュボードを介してクラスターの使用状況を監視します。
開発者：クラスターリソースを使用してジョブを送信します。管理者によって作成され、権限が付与されたアカウントが必要です。開発には Arena CLI や Jupyter Notebook などのツールを使用します。
前提条件
管理者が次のタスクを完了していることを確認してください：
クラスター内の各ノードには、少なくとも 300 GB のディスク領域が必要です。
最高のデータ高速化結果を得るには、それぞれ 8 つの V100 GPU を搭載した 4 つのインスタンスを使用します。
最高のトポロジー認識結果を得るには、2 つの V100 インスタンスを使用します。
AI ダッシュボードにアクセスできること。
AI 開発者コンソールにアクセスできること。
説明2025 年 1 月 22 日より、Alibaba Cloud AI コンソール (AI 開発者コンソールおよび AI ダッシュボードを含む) はホワイトリスト機能となります。この変更は既存のデプロイメントには影響しません。ホワイトリストに登録されていないユーザーは、オープンソースコミュニティから AI コンソールをインストールして設定できます。詳細については、「オープンソース AI コンソール」をご参照ください。
Fashion MNIST データセットがダウンロードされ、OSS にアップロードされていること。
テストコードの Git リポジトリ URL、ユーザー名、パスワードを持っていること。
kubectl クライアントがクラスターに接続されていること。
チュートリアル環境
クラウドネイティブ AI スイートを使用して、ご利用の ACK クラスター上で Fashion-MNIST ワークロードを開発、トレーニング、高速化、評価、デプロイします。
管理者はまずステップ 1：開発者向けのアカウント作成とリソース割り当てとステップ 2：データセットの作成を完了する必要があります。その後、残りのステップを完了できます。
Arena コマンドは、Jupyter Notebook ターミナル (推奨) またはクラスターのジャンプサーバーから送信します。
このチュートリアルで使用するクラスターは、次のノードで構成されています：
ホスト名 | IP | ロール | GPU | vCPU | メモリ |
cn-beijing.192.168.0.13 | 192.168.0.13 | ジャンプサーバー | 1 | 8 | 30580004 KiB |
cn-beijing.192.168.0.16 | 192.168.0.16 | worker | 1 | 8 | 30580004 KiB |
cn-beijing.192.168.0.17 | 192.168.0.17 | worker | 1 | 8 | 30580004 KiB |
cn-beijing.192.168.0.240 | 192.168.0.240 | worker | 1 | 8 | 30580004 KiB |
cn-beijing.192.168.0.239 | 192.168.0.239 | worker | 1 | 8 | 30580004 KiB |
目標
このガイドを完了すると、次のことができるようになります：
データセットの管理
Jupyter Notebook を使用した開発環境のセットアップ
スタンドアロン トレーニングジョブの送信
分散トレーニングジョブの送信
Fluid を使用したトレーニングジョブの高速化
ACK AI タスクスケジューラを使用したトレーニングジョブの高速化
モデルの管理
モデル評価の実行
推論サービスのデプロイ
ステップ 1：アカウントの作成とリソースの割り当て
管理者に連絡して、次のリソースを入手してください：
ユーザー名とパスワード。
リソースクォータ。
AI Developer Console のエンドポイント (コンソールを使用してジョブを送信する場合)。
説明AI Developer Console と O&M Console を含む Alibaba Cloud の AI Console は、2025 年 1 月 22 日よりアローリスト機能になります。この日付より前に AI Developer Console または O&M Console をデプロイした場合、ご利用に影響はありません。アローリストに登録されていない場合は、オープンソースコミュニティから AI suite console をインストールおよび設定できます。詳細な設定手順については、「オープンソースの AI コンソール」をご参照ください。
Arena CLI を使用してジョブを送信する場合は、クラスターの kubeconfig を取得します。手順については、「kubeconfig の取得とクラスターへの接続」をご参照ください。
ステップ 2：データセットの作成
データセットは管理者によって管理されます。この例では、fashion-mnist データセットを使用します。
ステップ 1：fashion-mnist データセットの作成
次の YAML の例に基づいて fashion-mnist.yaml ファイルを作成します。
この例では、OSS タイプの永続ボリューム (PV) と永続ボリューム要求 (PVC) を作成します。
apiVersion: v1 kind: PersistentVolume metadata: name: fashion-demo-pv spec: accessModes: - ReadWriteMany capacity: storage: 10Gi csi: driver: ossplugin.csi.alibabacloud.com volumeAttributes: bucket: fashion-mnist otherOpts: "" url: oss-cn-beijing.aliyuncs.com akId: "AKID" akSecret: "AKSECRET" volumeHandle: fashion-demo-pv persistentVolumeReclaimPolicy: Retain storageClassName: oss volumeMode: Filesystem --- apiVersion: v1 kind: PersistentVolumeClaim metadata: name: fashion-demo-pvc namespace: demo-ns spec: accessModes: - ReadWriteMany resources: requests: storage: 10Gi selector: matchLabels: alicloud-pvname: fashion-demo-pv storageClassName: oss volumeMode: Filesystem volumeName: fashion-demo-pvfashion-mnist データセットを作成します。
kubectl create -f fashion-mnist.yamlPV と PVC のステータスを表示します。
PV のステータスを確認します。
kubectl get pv fashion-mnist-jackwg期待される出力：
NAME CAPACITY ACCESS MODES RECLAIM POLICY STATUS CLAIM STORAGECLASS REASON AGE fashion-mnist-jackwg 10Gi RWX Retain Bound ns1/fashion-mnist-jackwg-pvc oss 8hPVC のステータスを確認します。
kubectl get pvc fashion-mnist-jackwg-pvc -n ns1期待される出力：
NAME STATUS VOLUME CAPACITY ACCESS MODES STORAGECLASS AGE fashion-mnist-jackwg-pvc Bound fashion-mnist-jackwg 10Gi RWX oss 8h
PV と PVC の両方が
Boundステータスを示します。
ステップ 2：高速化されたデータセットの作成
管理者は AI ダッシュボードを使用してデータセットを高速化します。
- AI ダッシュボードにアクセスします。
- AI ダッシュボードの左側のナビゲーションウィンドウで、 を選択します。
[データセットリスト] ページで、ターゲットデータセットの [操作] 列にある [高速化] をクリックします。
データセットを高速化すると、その情報が [データセットリスト] ページで更新されます。リストには、[タスク名]、[名前空間]、[データソース]、[高速化済み]、[ステータス] などの列が含まれます。高速化されたデータセットの場合、[高速化済み] 列には [はい] と表示され、その [ステータス] は高速化が完了すると [NotReady] から [Ready] に変わります。
ステップ 3：モデルの開発
Jupyter Notebook を使用して開発環境をセットアップします：
(オプション) カスタムイメージから Jupyter Notebook を作成します。
Jupyter Notebook でモデルを開発およびテストします。
Jupyter Notebook から Git リポジトリにコードをプッシュします。
Arena SDK を使用してトレーニングジョブを送信します。
(オプション) ステップ 1：カスタムイメージからノートブックを作成する
AI 開発者コンソールは、TensorFlow と PyTorch のさまざまなバージョンに対応したビルド済みイメージを持つ Jupyter Notebook を提供します。これらのイメージが要件を満たさない場合は、カスタムイメージを作成できます。
次のテンプレートに基づいて
Dockerfileという名前のファイルを作成します。カスタムイメージの要件については、「ノートブックの作成と使用」をご参照ください。
cat<<EOF >dockerfile FROM tensorflow/tensorflow:1.15.5-gpu USER root RUN pip install jupyter && \ pip install ipywidgets && \ jupyter nbextension enable --py widgetsnbextension && \ pip install jupyterlab && jupyter serverextension enable --py jupyterlab EXPOSE 8888 #USER jovyan CMD ["sh", "-c", "jupyter-lab --notebook-dir=/home/jovyan --ip=0.0.0.0 --no-browser --allow-root --port=8888 --NotebookApp.token='' --NotebookApp.password='' --NotebookApp.allow_origin='*' --NotebookApp.base_url=${NB_PREFIX} --ServerApp.authenticate_prometheus=False"] EOFDockerfile からイメージをビルドします。
docker build -f dockerfile .期待される出力：
Sending build context to Docker daemon 9.216kB Step 1/5 : FROM tensorflow/tensorflow:1.15.5-gpu ---> 73be11373498 Step 2/5 : USER root ---> Using cache ---> 7ee21dc7e42e Step 3/5 : RUN pip install jupyter && pip install ipywidgets && jupyter nbextension enable --py widgetsnbextension && pip install jupyterlab && jupyter serverextension enable --py jupyterlab ---> Using cache ---> 23bc51c5e16d Step 4/5 : EXPOSE 8888 ---> Using cache ---> 76a55822ddae Step 5/5 : CMD ["sh", "-c", "jupyter-lab --notebook-dir=/home/jovyan --ip=0.0.0.0 --no-browser --allow-root --port=8888 --NotebookApp.token='' --NotebookApp.password='' --NotebookApp.allow_origin='*' --NotebookApp.base_url=${NB_PREFIX} --ServerApp.authenticate_prometheus=False"] ---> Using cache ---> 3692f04626d5 Successfully built 3692f04626d5イメージをコンテナレジストリにプッシュします。
docker tag ${IMAGE_ID} registry-vpc.cn-beijing.aliyuncs.com/${DOCKER_REPO}/jupyter:fashion-mnist-20210802a docker push registry-vpc.cn-beijing.aliyuncs.com/${DOCKER_REPO}/jupyter:fashion-mnist-20210802aプライベートコンテナレジストリからイメージをプルするためのイメージプルシークレットを作成します。
「プライベートレジストリからイメージをプルするための Secret の作成」をご参照ください。
kubectl create secret docker-registry regcred \ --docker-server=<your-registry-server> \ --docker-username=<your-username> \ --docker-password=<your-password> \ --docker-email=<your-email-address>AI 開発者コンソールで Jupyter Notebook を作成します。
「ノートブックの作成と使用」をご参照ください。
Jupyter Notebook のパラメーターを次のように設定します：左側の [ノートブックの基本情報] セクションで、[ノートブック名] と [ノートブックイメージ] (カスタムイメージを選択可能) を設定し、[名前空間] と [イメージプルシークレット] を指定します。[データ設定] では、データセットを選択して対応する永続ボリューム要求とローカルストレージディレクトリを表示します。[ワークスペース PVC] を有効にする場合は、[ターゲット PVC] と [マウントパス] を指定する必要があります。右側の [ノートブックリソース設定] セクションで、[CPU (コア)]、[メモリ (GB)]、[GPU (ユニット)] を設定します。設定が完了したら、[ノートブックの作成] をクリックします。
ステップ 2：ノートブックでの開発とテスト
- AI 開発者コンソールにアクセスします
- AI 開発者コンソールの左側のナビゲーションウィンドウで、[ノートブック] をクリックします。
[ノートブック] ページで、ステータス が [実行中] の目的の Jupyter Notebook の名前をクリックします。
新しいターミナルを開き、次のコマンドを実行してデータが正常にマウントされたことを確認します：
pwd /root/data ls -alh期待される出力：
total 30M drwx------ 1 root root 0 Jan 1 1970 . drwx------ 1 root root 4.0K Aug 2 04:15 .. drwxr-xr-x 1 root root 0 Aug 1 14:16 saved_model -rw-r----- 1 root root 4.3M Aug 1 01:53 t10k-images-idx3-ubyte.gz -rw-r----- 1 root root 5.1K Aug 1 01:53 t10k-labels-idx1-ubyte.gz -rw-r----- 1 root root 26M Aug 1 01:54 train-images-idx3-ubyte.gz -rw-r----- 1 root root 29K Aug 1 01:53 train-labels-idx1-ubyte.gzJupyter Notebook 環境で、新しいノートブックファイルを作成して fashion-mnist モデルを開発し、次のコードで初期化します：
#!/usr/bin/python # -*- coding: UTF-8 -*- import os import gzip import numpy as np import tensorflow as tf from tensorflow import keras print('TensorFlow version: {}'.format(tf.__version__)) dataset_path = "/root/data/" model_path = "./model/" model_version = "v1" def load_data(): files = [ 'train-labels-idx1-ubyte.gz', 'train-images-idx3-ubyte.gz', 't10k-labels-idx1-ubyte.gz', 't10k-images-idx3-ubyte.gz' ] paths = [] for fname in files: paths.append(os.path.join(dataset_path, fname)) with gzip.open(paths[0], 'rb') as labelpath: y_train = np.frombuffer(labelpath.read(), np.uint8, offset=8) with gzip.open(paths[1], 'rb') as imgpath: x_train = np.frombuffer(imgpath.read(), np.uint8, offset=16).reshape(len(y_train), 28, 28) with gzip.open(paths[2], 'rb') as labelpath: y_test = np.frombuffer(labelpath.read(), np.uint8, offset=8) with gzip.open(paths[3], 'rb') as imgpath: x_test = np.frombuffer(imgpath.read(), np.uint8, offset=16).reshape(len(y_test), 28, 28) return (x_train, y_train),(x_test, y_test) def train(): (train_images, train_labels), (test_images, test_labels) = load_data() # scale the values to 0.0 to 1.0 train_images = train_images / 255.0 test_images = test_images / 255.0 # reshape for feeding into the model train_images = train_images.reshape(train_images.shape[0], 28, 28, 1) test_images = test_images.reshape(test_images.shape[0], 28, 28, 1) class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'] print('\ntrain_images.shape: {}, of {}'.format(train_images.shape, train_images.dtype)) print('test_images.shape: {}, of {}'.format(test_images.shape, test_images.dtype)) model = keras.Sequential([ keras.layers.Conv2D(input_shape=(28,28,1), filters=8, kernel_size=3, strides=2, activation='relu', name='Conv1'), keras.layers.Flatten(), keras.layers.Dense(10, activation=tf.nn.softmax, name='Softmax') ]) model.summary() testing = False epochs = 5 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) logdir = "/training_logs" tensorboard_callback = keras.callbacks.TensorBoard(log_dir=logdir) model.fit(train_images, train_labels, epochs=epochs, callbacks=[tensorboard_callback], ) test_loss, test_acc = model.evaluate(test_images, test_labels) print('\nTest accuracy: {}'.format(test_acc)) export_path = os.path.join(model_path, model_version) print('export_path = {}\n'.format(export_path)) tf.keras.models.save_model( model, export_path, overwrite=True, include_optimizer=True, save_format=None, signatures=None, options=None ) print('\nSaved model success') if __name__ == '__main__': train()重要コード内で、
dataset_pathとmodel_pathは、ノートブック内のデータソースのマウントパスに設定する必要があります。これにより、ノートブックはローカルファイルシステムにマウントされたデータセットにアクセスできます。ターゲットのノートブックで、
アイコンをクリックしてコードを実行します。期待される出力：
TensorFlow version: 1.15.5 train_images.shape: (60000, 28, 28, 1), of float64 test_images.shape: (10000, 28, 28, 1), of float64 Model: "sequential_2" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= Conv1 (Conv2D) (None, 13, 13, 8) 80 _________________________________________________________________ flatten_2 (Flatten) (None, 1352) 0 _________________________________________________________________ Softmax (Dense) (None, 10) 13530 ================================================================= Total params: 13,610 Trainable params: 13,610 Non-trainable params: 0 _________________________________________________________________ Train on 60000 samples Epoch 1/5 60000/60000 [==============================] - 3s 57us/sample - loss: 0.5452 - acc: 0.8102 Epoch 2/5 60000/60000 [==============================] - 3s 52us/sample - loss: 0.4103 - acc: 0.8555 Epoch 3/5 60000/60000 [==============================] - 3s 55us/sample - loss: 0.3750 - acc: 0.8681 Epoch 4/5 60000/60000 [==============================] - 3s 55us/sample - loss: 0.3524 - acc: 0.8757 Epoch 5/5 60000/60000 [==============================] - 3s 53us/sample - loss: 0.3368 - acc: 0.8798 10000/10000 [==============================] - 0s 37us/sample - loss: 0.3770 - acc: 0.8673 Test accuracy: 0.8672999739646912 export_path = ./model/v1 Saved model success
ステップ 3：Git リポジトリにコードをプッシュする
ノートブックから直接 Git リポジトリにコードをプッシュします。
Git をインストールします。
apt-get update apt-get install gitGit の設定を初期化し、認証情報を保存します。
git config --global credential.helper store git pull ${YOUR_GIT_REPO}コードを Git リポジトリにプッシュします。
git push origin fashion-test期待される出力：
Total 0 (delta 0), reused 0 (delta 0) To codeup.aliyun.com:60b4cf5c66bba1c04b442e49/tensorflow-fashion-mnist-sample.git * [new branch] fashion-test -> fashion-test
ステップ 4：Arena SDK を使用してトレーニングジョブを送信する
Arena SDK の依存関係をインストールします。
!pip install coloredlogs新しい Python ファイルを作成し、次のコードで初期化します：
import os import sys import time from arenasdk.client.client import ArenaClient from arenasdk.enums.types import * from arenasdk.exceptions.arena_exception import * from arenasdk.training.tensorflow_job_builder import * from arenasdk.logger.logger import LoggerBuilder def main(): print("start to test arena-python-sdk") client = ArenaClient("","demo-ns","info","arena-system") # ジョブは demo-ns 名前空間に送信されます。 print("create ArenaClient succeed.") print("start to create tfjob") job_name = "arena-sdk-distributed-test" job_type = TrainingJobType.TFTrainingJob try: # build the training job job = TensorflowJobBuilder().with_name(job_name)\ .with_workers(1)\ .with_gpus(1)\ .with_worker_image("tensorflow/tensorflow:1.5.0-devel-gpu")\ .with_ps_image("tensorflow/tensorflow:1.5.0-devel")\ .with_ps_count(1)\ .with_datas({"fashion-demo-pvc":"/data"})\ .enable_tensorboard()\ .with_sync_mode("git")\ .with_sync_source("https://codeup.aliyun.com/60b4cf5c66bba1c04b442e49/tensorflow-fashion-mnist-sample.git")\ # Git リポジトリの URL。 .with_envs({\ "GIT_SYNC_USERNAME":"USERNAME", \ # Git リポジトリのユーザー名。 "GIT_SYNC_PASSWORD":"PASSWORD",\ # Git リポジトリのパスワード。 "TEST_TMPDIR":"/",\ })\ .with_command("python code/tensorflow-fashion-mnist-sample/tf-distributed-mnist.py").build() # If the training job already exists, delete it if client.training().get(job_name, job_type): print("The job {} already exists. Deleting it.".format(job_name)) client.training().delete(job_name, job_type) time.sleep(3) output = client.training().submit(job) print(output) count = 0 # Wait for the training job to start running. while True: if count > 160: raise Exception("Timeout waiting for the job to start running") jobInfo = client.training().get(job_name,job_type) if jobInfo.get_status() == TrainingJobStatus.TrainingJobPending: print("job status is PENDING,waiting...") count = count + 1 time.sleep(5) continue print("current status is {} of job {}".format(jobInfo.get_status().value,job_name)) break # get the training job logs logger = LoggerBuilder().with_accepter(sys.stdout).with_follow().with_since("5m") #jobInfo.get_instances()[0].get_logs(logger) # display the training job information print(str(jobInfo)) # delete the training job #client.training().delete(job_name, job_type) except ArenaException as e: print(e) main()namespace：この例では、トレーニングジョブはdemo-ns名前空間に送信されます。with_sync_source：Git リポジトリの URL。with_envs：Git リポジトリのユーザー名とパスワード。
ターゲットのノートブックで、
アイコンをクリックしてコードを実行します。期待される出力：
2021-11-02/08:57:28 DEBUG util.py[line:19] - execute command: [arena get --namespace=demo-ns --arena-namespace=arena-system --loglevel=info arena-sdk-distributed-test --type=tfjob -o json] 2021-11-02/08:57:28 DEBUG util.py[line:19] - execute command: [arena submit --namespace=demo-ns --arena-namespace=arena-system --loglevel=info tfjob --name=arena-sdk-distributed-test --workers=1 --gpus=1 --worker-image=tensorflow/tensorflow:1.5.0-devel-gpu --ps-image=tensorflow/tensorflow:1.5.0-devel --ps=1 --data=fashion-demo-pvc:/data --tensorboard --sync-mode=git --sync-source=https://codeup.aliyun.com/60b4cf5c66bba1c04b442e49/tensorflow-fashion-mnist-sample.git --env=GIT_SYNC_USERNAME=kubeai --env=GIT_SYNC_PASSWORD=kubeai@ACK123 --env=TEST_TMPDIR=/ python code/tensorflow-fashion-mnist-sample/tf-distributed-mnist.py] start to test arena-python-sdk create ArenaClient succeed. start to create tfjob 2021-11-02/08:57:29 DEBUG util.py[line:19] - execute command: [arena get --namespace=demo-ns --arena-namespace=arena-system --loglevel=info arena-sdk-distributed-test --type=tfjob -o json] service/arena-sdk-distributed-test-tensorboard created deployment.apps/arena-sdk-distributed-test-tensorboard created tfjob.kubeflow.org/arena-sdk-distributed-test created job status is PENDING,waiting... 2021-11-02/09:00:34 DEBUG util.py[line:19] - execute command: [arena get --namespace=demo-ns --arena-namespace=arena-system --loglevel=info arena-sdk-distributed-test --type=tfjob -o json] current status is RUNNING of job arena-sdk-distributed-test { "allocated_gpus": 1, "chief_name": "arena-sdk-distributed-test-worker-0", "duration": "185s", "instances": [ { "age": "13s", "gpu_metrics": [], "is_chief": false, "name": "arena-sdk-distributed-test-ps-0", "node_ip": "192.168.5.8", "node_name": "cn-beijing.192.168.5.8", "owner": "arena-sdk-distributed-test", "owner_type": "tfjob", "request_gpus": 0, "status": "Running" }, { "age": "13s", "gpu_metrics": [], "is_chief": true, "name": "arena-sdk-distributed-test-worker-0", "node_ip": "192.168.5.8", "node_name": "cn-beijing.192.168.5.8", "owner": "arena-sdk-distributed-test", "owner_type": "tfjob", "request_gpus": 1, "status": "Running" } ], "name": "arena-sdk-distributed-test", "namespace": "demo-ns", "priority": "N/A", "request_gpus": 1, "tensorboard": "http://192.168.5.6:31068", "type": "tfjob" }
ステップ 4：モデルのトレーニング
以下の例では、スタンドアロントレーニング、分散トレーニング、Fluid による高速化トレーニング、および AI ジョブスケジューラを使用したトポロジー認識スケジューリングについて説明します。
例 1：スタンドアロン TensorFlow トレーニングジョブの送信
Arena CLI または AI 開発者コンソールを使用してトレーニングジョブを送信します。
方法 1：Arena CLI の使用
arena \
submit \
tfjob \
-n ns1 \
--name=fashion-mnist-arena \
--data=fashion-mnist-jackwg-pvc:/root/data/ \
--env=DATASET_PATH=/root/data/ \
--env=MODEL_PATH=/root/saved_model \
--env=MODEL_VERSION=1 \
--env=GIT_SYNC_USERNAME=<GIT_USERNAME> \
--env=GIT_SYNC_PASSWORD=<GIT_PASSWORD> \
--sync-mode=git \
--sync-source=https://codeup.aliyun.com/60b4cf5c66bba1c04b442e49/tensorflow-fashion-mnist-sample.git \
--image="tensorflow/tensorflow:2.2.2-gpu" \
"python /root/code/tensorflow-fashion-mnist-sample/train.py --log_dir=/training_logs"方法 2：AI 開発者コンソールの使用
主要なパラメーターの一部を次の表に示します。
パラメーター
例
必須
名前
fashion-demo
はい
名前空間
demo-ns
はい
永続ボリューム要求
fashion-demo-pvc
はい
ローカルストレージディレクトリ
/root/data
いいえ
パラメーター
例
必須
名前
fashion-git
はい
Git URL
https://codeup.aliyun.com/60b4cf5c66bba1c04b442e49/tensorflow-fashion-mnist-sample.git
はい
デフォルトブランチ
master
いいえ
ローカルストレージディレクトリ
/root/
いいえ
プライベート Git ユーザー名
ご利用のプライベート Git リポジトリのユーザー名。
いいえ
プライベート Git パスワードまたはトークン
ご利用のプライベート Git リポジトリのパスワードまたは個人アクセストークン。
いいえ
トレーニングパラメーターを設定したら、送信 をクリックします。その後、ジョブリストページでトレーニングジョブを表示できます。次の表では、ジョブ送信パラメーターについて説明します。
パラメーター
説明
タスク名
この例では、ジョブ名は fashion-tf-ui です。
ジョブタイプ
この例では、[Tensorflow スタンドアロン] を選択します。
名前空間
この例では、demo-ns を使用します。これはデータセットと同じ名前空間である必要があります。
データソース設定
この例では、ステップ 1 で設定した fashion-demo を選択します。
コード設定
この例では、ステップ 2 で設定した fashion-git を選択します。
コードブランチ
この例では、master を使用します。
コマンド
この例では、
"export DATASET_PATH=/root/data/ &&export MODEL_PATH=/root/saved_model &&export MODEL_VERSION=1 &&python /root/code/tensorflow-fashion-mnist-sample/train.py"を使用します。プライベート Git リポジトリ
プライベートリポジトリを使用する場合は、ユーザー名とパスワードを提供する必要があります。
インスタンス数
デフォルト値は 1 です。
イメージ
この例では、
tensorflow/tensorflow:2.2.2-gpuを使用します。イメージプルシークレット
プライベートレジストリのイメージを使用している場合は、まずイメージプルシークレットを作成する必要があります。
CPU (コア)
デフォルト値は 4 です。
メモリ (GB)
デフォルト値は 8 です。
「TFJob の Arena CLI パラメーター」をご参照ください。
ジョブを送信した後、そのログを表示します。
AI Developer Console の左側のナビゲーションウィンドウで、タスク をクリックします。
タスク ページで、対象のジョブの名前をクリックします。
ジョブ詳細ページで、インスタンス タブをクリックします。次に、ターゲットインスタンスの アクション 列で ログ をクリックします。
次のスニペットは、この例のログ出力を示しています：
train_images.shape: (60000, 28, 28, 1), of float64 test_images.shape: (10000, 28, 28, 1), of float64 Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= Conv1 (Conv2D) (None, 13, 13, 8) 80 _________________________________________________________________ flatten (Flatten) (None, 1352) 0 _________________________________________________________________ Softmax (Dense) (None, 10) 13530 ================================================================= Total params: 13,610 Trainable params: 13,610 Non-trainable params: 0 _________________________________________________________________ Epoch 1/5 2021-08-01 14:21:17.532237: E tensorflow/core/profiler/internal/gpu/cupti_tracer.cc:1430] function cupti_interface_->EnableCallback( 0 , subscriber_, CUPTI_CB_DOMAIN_DRIVER_API, cbid)failed with error CUPTI_ERROR_INVALID_PARAMETER 2021-08-01 14:21:17.532390: I tensorflow/core/profiler/internal/gpu/device_tracer.cc:216] GpuTracer has collected 0 callback api events and 0 activity events. 2021-08-01 14:21:17.533535: I tensorflow/core/profiler/rpc/client/save_profile.cc:168] Creating directory: /training_logs/train/plugins/profile/2021_08_01_14_21_17 2021-08-01 14:21:17.533928: I tensorflow/core/profiler/rpc/client/save_profile.cc:174] Dumped gzipped tool data for trace.json.gz to /training_logs/train/plugins/profile/2021_08_01_14_21_17/fashion-mnist-arena-chief-0.trace.json.gz 2021-08-01 14:21:17.534251: I tensorflow/core/profiler/utils/event_span.cc:288] Generation of step-events took 0 ms 2021-08-01 14:21:17.534961: I tensorflow/python/profiler/internal/profiler_wrapper.cc:87] Creating directory: /training_logs/train/plugins/profile/2021_08_01_14_21_17Dumped tool data for overview_page.pb to /training_logs/train/plugins/profile/2021_08_01_14_21_17/fashion-mnist-arena-chief-0.overview_page.pb Dumped tool data for input_pipeline.pb to /training_logs/train/plugins/profile/2021_08_01_14_21_17/fashion-mnist-arena-chief-0.input_pipeline.pb Dumped tool data for tensorflow_stats.pb to /training_logs/train/plugins/profile/2021_08_01_14_21_17/fashion-mnist-arena-chief-0.tensorflow_stats.pb Dumped tool data for kernel_stats.pb to /training_logs/train/plugins/profile/2021_08_01_14_21_17/fashion-mnist-arena-chief-0.kernel_stats.pb 1875/1875 [==============================] - 3s 2ms/step - loss: 0.5399 - accuracy: 0.8116 Epoch 2/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.4076 - accuracy: 0.8573 Epoch 3/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.3727 - accuracy: 0.8694 Epoch 4/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.3512 - accuracy: 0.8769 Epoch 5/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.3351 - accuracy: 0.8816 313/313 [==============================] - 0s 1ms/step - loss: 0.3595 - accuracy: 0.8733 2021-08-01 14:21:34.820089: W tensorflow/python/util/util.cc:329] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them. WARNING:tensorflow:From /usr/local/lib/python3.6/dist-packages/tensorflow/python/ops/resource_variable_ops.py:1817: calling BaseResourceVariable.__init__ (from tensorflow.python.ops.resource_variable_ops) with constraint is deprecated and will be removed in a future version. Instructions for updating: If using Keras pass *_constraint arguments to layers. Test accuracy: 0.8733000159263611 export_path = /root/saved_model/1 Saved model success
TensorBoard でトレーニングメトリックを表示します。
kubectl port-forward を使用して、TensorBoard サービスポートをローカルマシンに転送します。
TensorBoard サービスの詳細を取得します。
kubectl get svc -n demo-ns期待される出力：
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE tf-dist-arena-tensorboard NodePort 172.16.XX.XX <none> 6006:32226/TCP 80mTensorBoard ポートを転送します。
kubectl port-forward svc/tf-dist-arena-tensorboard -n demo-ns 6006:6006期待される出力：
Forwarding from 127.0.0.1:6006 -> 6006 Forwarding from [::1]:6006 -> 6006 Handling connection for 6006 Handling connection for 6006Web ブラウザで
http://localhost:6006/を開き、TensorBoard ダッシュボードを表示します。[GRAPHS] タブには、モデルの計算グラフが表示され、Conv1、flatten、Softmax などのレイヤー間の接続とデータフローが示されます。サイドパネルには、選択したノードの詳細なプロパティが表示されます。
例 2：分散 TensorFlow トレーニングジョブの送信
方法 1：Arena CLI の使用
トレーニングジョブを送信します。
arena submit tf \ -n demo-ns \ --name=tf-dist-arena \ --working-dir=/root/ \ --data fashion-mnist-pvc:/data \ --env=TEST_TMPDIR=/ \ --env=GIT_SYNC_USERNAME=kubeai \ --env=GIT_SYNC_PASSWORD=kubeai@ACK123 \ --env=GIT_SYNC_BRANCH=master \ --gpus=1 \ --workers=2 \ --worker-image=tensorflow/tensorflow:1.5.0-devel-gpu \ --sync-mode=git \ --sync-source=https://codeup.aliyun.com/60b4cf5c66bba1c04b442e49/tensorflow-fashion-mnist-sample.git \ --ps=1 \ --ps-image=tensorflow/tensorflow:1.5.0-devel \ --tensorboard \ "python code/tensorflow-fashion-mnist-sample/tf-distributed-mnist.py --log_dir=/training_logs"TensorBoard サービスの詳細を取得します。
kubectl get svc -n demo-ns期待される出力：
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE tf-dist-arena-tensorboard NodePort 172.16.204.248 <none> 6006:32226/TCP 80mTensorBoard ポートを転送します。
kubectl port-forward svc/tf-dist-arena-tensorboard -n demo-ns 6006:6006期待される出力：
Forwarding from 127.0.0.1:6006 -> 6006 Forwarding from [::1]:6006 -> 6006 Handling connection for 6006 Handling connection for 6006Web ブラウザで
http://localhost:6006/を開き、TensorBoard ダッシュボードを表示します。[SCALARS] タブには、トレーニング中の accuracy や cross_entropy などのメトリックのプロットが表示されます。サイドパネルでは、train と test の実行でフィルタリングしたり、Smoothing や軸の表示オプションを調整したりできます。
方法 2：AI 開発者コンソールの使用
ステップ 1 のデータを再利用します。
ステップ 2 のコードを再利用します。
トレーニングパラメーターを設定した後、送信をクリックします。その後、ジョブリストページでジョブを確認できます。次の表では、主要なジョブパラメーターについて説明します。
パラメーター
説明
タスク名
この例では、fashion-ps-ui を使用します。
ジョブタイプ
[TF 分散] を選択します。
名前空間
この例では、demo-ns を使用します。これはデータセットと同じ名前空間である必要があります。
データソース設定
この例では、前の例の ステップ 1 で設定した fashion-demo を選択します。
コード設定
この例では、前の例の ステップ 2 で設定した fashion-git を選択します。
コマンド
この例では、
"export TEST_TMPDIR=/root/ && python code/tensorflow-fashion-mnist-sample/tf-distributed-mnist.py --log_dir=/training_logs"を使用します。イメージ
[タスクリソース設定] の [ワーカー] タブで、Image を
tensorflow/tensorflow:1.5.0-devel-gpuに設定します。タスクリソース構成の PS タブで、Image を
tensorflow/tensorflow:1.5.0-develに設定します。
「TFJob の Arena CLI パラメーター」をご参照ください。
例 3：Fluid で高速化されたトレーニングジョブの送信
O&M コンソールからデータセットを高速化し、高速化されたデータセットでジョブを送信し、実行時間を比較します：
管理者は O&M コンソールから既存のデータセットを高速化します。
開発者は高速化されたデータセットを使用するトレーニングジョブを送信します。
arena listコマンドを使用してジョブの実行時間を比較します。
既存のデータセットを高速化します。
ステップ 2：データセットの作成で fashion-demo-pvc をすでに高速化している場合は、このステップをスキップします。「データセットの管理」をご参照ください。
高速化されたデータセットを使用するジョブを送信します。
トレーニングジョブを demo-ns 名前空間に送信します。高速化されたデータセットの主な違い：
--data：高速化された永続ボリューム要求 (PVC) の名前。この例では、fashion-demo-pvc-accです。--env=DATASET_PATH：このパスは、--dataパラメーターで指定されたマウントパス (/root/data/) に PVC 名 (fashion-demo-pvc-acc) を追加して形成されます。
arena \ submit \ tfjob \ -n demo-ns \ --name=fashion-mnist-fluid \ --data=fashion-demo-pvc-acc:/root/data/ \ --env=DATASET_PATH=/root/data/fashion-demo-pvc-acc \ --env=MODEL_PATH=/root/saved_model \ --env=MODEL_VERSION=1 \ --env=GIT_SYNC_USERNAME=${GIT_USERNAME} \ --env=GIT_SYNC_PASSWORD=${GIT_PASSWORD} \ --sync-mode=git \ --sync-source=https://codeup.aliyun.com/60b4cf5c66bba1c04b442e49/tensorflow-fashion-mnist-sample.git \ --image="tensorflow/tensorflow:2.2.2-gpu" \ "python /root/code/tensorflow-fashion-mnist-sample/train.py --log_dir=/training_logs"2 つのトレーニングジョブの実行時間を比較します。
arena list -n demo-ns期待される出力：
NAME STATUS TRAINER DURATION GPU(Requested) GPU(Allocated) NODE fashion-mnist-fluid SUCCEEDED TFJOB 33s 0 N/A 192.168.5.7 fashion-mnist-arena SUCCEEDED TFJOB 3m 0 N/A 192.168.5.8同じコードとリソースで、Fluid で高速化されたジョブは 33 秒で完了しましたが、標準のジョブは 3 分かかりました。
例 4：AI ジョブスケジューラを使用して分散トレーニングジョブを高速化する
AI ジョブスケジューラは、AI およびビッグデータワークロード向けの ACK プラグインであり、ギャングスケジューリング、キャパシティスケジューリング、およびトポロジー認識スケジューリングをサポートします。この例では、GPU トポロジー認識スケジューリングを示します。
スケジューラは、ノードレベルのトポロジー情報 (NVLink や PCIe スイッチなどの GPU リンク、または CPU NUMA アーキテクチャ) を使用して、AI ジョブのスケジューリングを最適化します。「GPU トポロジー認識スケジューリング」および「CPU トポロジー認識スケジューリング」をご参照ください。
GPU トポロジー認識スケジューリングを有効にし、ジョブのパフォーマンスを比較します。
トポロジー認識スケジューリングなしでトレーニングジョブを作成します。
arena submit mpi \ --name=tensorflow-4-vgg16 \ --gpus=1 \ --workers=4 \ --image=registry.cn-hangzhou.aliyuncs.com/kubernetes-image-hub/tensorflow-benchmark:tf2.3.0-py3.7-cuda10.1 \ "mpirun --allow-run-as-root -np "4" -bind-to none -map-by slot -x NCCL_DEBUG=INFO -x NCCL_SOCKET_IFNAME=eth0 -x LD_LIBRARY_PATH -x PATH --mca pml ob1 --mca btl_tcp_if_include eth0 --mca oob_tcp_if_include eth0 --mca orte_keep_fqdn_hostnames t --mca btl ^openib python /tensorflow/benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py --model=vgg16 --batch_size=64 --variable_update=horovod"トポロジー認識スケジューリングを有効にしてトレーニングジョブを作成します。
ノードにラベルを付けます。cn-beijing.192.168.XX.XX を実際のノード名に置き換えます。
kubectl label node cn-beijing.192.168.XX.XX ack.node.gpu.schedule=topology --overwriteトレーニングジョブを作成します。
--gputopology=trueフラグは、Arena でトポロジー認識を有効にします。arena submit mpi \ --name=tensorflow-topo-4-vgg16 \ --gpus=1 \ --workers=4 \ --gputopology=true \ --image=registry.cn-hangzhou.aliyuncs.com/kubernetes-image-hub/tensorflow-benchmark:tf2.3.0-py3.7-cuda10.1 \ "mpirun --allow-run-as-root -np "4" -bind-to none -map-by slot -x NCCL_DEBUG=INFO -x NCCL_SOCKET_IFNAME=eth0 -x LD_LIBRARY_PATH -x PATH --mca pml ob1 --mca btl_tcp_if_include eth0 --mca oob_tcp_if_include eth0 --mca orte_keep_fqdn_hostnames t --mca btl ^openib python /tensorflow/benchmarks/scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py --model=vgg16 --batch_size=64 --variable_update=horovod"2 つのジョブのパフォーマンスを比較します。
実行時間を比較します。
arena list -n demo-ns期待される出力：
NAME STATUS TRAINER DURATION GPU(Requested) GPU(Allocated) NODE tensorflow-topo-4-vgg16 SUCCEEDED MPIJOB 44s 4 N/A 192.168.4.XX1 tensorflow-4-vgg16-image-warned SUCCEEDED MPIJOB 2m 4 N/A 192.168.4.XX0トポロジー認識ジョブのスループットを表示します。
arena logs tensorflow-topo-4-vgg16 -n demo-ns期待される出力：
100 images/sec: 251.7 +/- 0.1 (jitter = 1.2) 7.262 ---------------------------------------------------------------- total images/sec: 1006.44標準ジョブのスループットを表示します。
arena logs tensorflow-4-vgg16-image-warned -n demo-ns期待される出力：
100 images/sec: 56.4 +/- 0.2 (jitter = 1.5) 7.261 ---------------------------------------------------------------- total images/sec: 225.50
次の表は、2 つのジョブのパフォーマンス比較をまとめたものです。
トレーニングジョブ | GPU あたりのスループット (images/sec) | 合計 GPU スループット (images/sec) | 持続時間 (秒) |
トポロジー認識スケジューリング有効 | 251.7 | 1006.44 | 44 |
トポロジー認識スケジューリング無効 | 56.4 | 225.50 | 120 |
トポロジー認識スケジューリングが有効になっているノードは、標準の GPU スケジューリングをサポートしなくなります。元に戻すには、ノードのラベルを変更します：
kubectl label node cn-beijing.192.168.XX.XX0 ack.node.gpu.schedule=default --overwriteステップ 5：モデルの管理
- AI 開発者コンソールにアクセスします
- AI 開発者コンソールの左側のナビゲーションウィンドウで、[モデル管理] をクリックします。
[モデル管理] ページで、[モデルの作成] をクリックします。
作成する ダイアログボックスで、モデル名、[モデルバージョン]、および [ジョブ名] を設定します。
この例では、モデル名は fashion-mnist-demo、モデルバージョンは v1、トレーニングジョブは tf-single です。
OK をクリックします。新しいモデルがリストに表示されます。
モデルを評価するには、モデルの行にある [新規モデル評価] をクリックします。
ステップ 6：モデルの評価
Arena または AI 開発者コンソールを使用してモデル評価ジョブを送信します。この例では、Fashion-MNIST トレーニングからのチェックポイントを評価します：
Arena を使用してチェックポイント作成が有効なトレーニングジョブを送信します。
Arena を使用してモデル評価ジョブを送信します。
AI 開発者コンソールで評価結果を比較します。
チェックポイント作成が有効なトレーニングジョブを送信します。
Arena を使用してトレーニングジョブを送信します。ジョブはチェックポイントを
fashion-demo-pvcボリュームに出力します。arena \ submit \ tfjob \ -n demo-ns \ # 必要に応じて名前空間を設定します。 --name=fashion-mnist-arena-ckpt \ --data=fashion-demo-pvc:/root/data/ \ --env=DATASET_PATH=/root/data/ \ --env=MODEL_PATH=/root/data/saved_model \ --env=MODEL_VERSION=1 \ --env=GIT_SYNC_USERNAME=${GIT_USERNAME} \ # Git のユーザー名を入力します。 --env=GIT_SYNC_PASSWORD=${GIT_PASSWORD} \ # Git のパスワードを入力します。 --env=OUTPUT_CHECKPOINT=1 \ --sync-mode=git \ --sync-source=https://codeup.aliyun.com/60b4cf5c66bba1c04b442e49/tensorflow-fashion-mnist-sample.git \ --image="tensorflow/tensorflow:2.2.2-gpu" \ "python /root/code/tensorflow-fashion-mnist-sample/train.py --log_dir=/training_logs"モデル評価ジョブを送信します。
評価イメージをビルドします。
kubeai-sdk ディレクトリで、次のコマンドを実行してイメージをビルドし、プッシュします。
docker build . -t ${DOCKER_REGISTRY}:fashion-mnist docker push ${DOCKER_REGISTRY}:fashion-mnistMySQL サービスの詳細を取得します。
kubectl get svc -n kube-ai ack-mysql期待される出力：
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE ack-mysql ClusterIP 172.16.XX.XX <none> 3306/TCP 28hArena を使用してモデル評価ジョブを送信します。
arena evaluate model \ --namespace=demo-ns \ --loglevel=debug \ --name=evaluate-job \ --image=registry.cn-beijing.aliyuncs.com/kube-ai/kubeai-sdk-demo:fashion-minist \ --env=ENABLE_MYSQL=True \ --env=MYSQL_HOST=172.16.77.227 \ --env=MYSQL_PORT=3306 \ --env=MYSQL_USERNAME=kubeai \ --env=MYSQL_PASSWORD=kubeai@ACK \ --data=fashion-demo-pvc:/data \ --model-name=1 \ --model-path=/data/saved_model/ \ --dataset-path=/data/ \ --metrics-path=/data/output \ "python /kubeai/evaluate.py"説明MySQL サービスの IP アドレスとポートは、前のステップから取得できます。
評価結果を比較します。
AI 開発者コンソールの左側のナビゲーションウィンドウで、[モデル管理] をクリックします。
ページにはモデル評価ジョブのリストが表示されます。リストには、[名前]、[モデル名]、[モデルバージョン]、[名前空間]、[ステータス]、[作成時間]、[終了時間] などの列が含まれます。完了したジョブの場合、[ステータス] 列には [完了] と表示されます。ページ上部の [メトリクスの比較] ボタンをクリックすると、複数のジョブの結果を比較できます。
タスク で、ジョブ名をクリックしてそのメトリックを表示します。
評価結果には、accuracy、precision、recall、F1_score、AUC といったメトリックが表示されます。ROC 曲線もモデルの分類性能を視覚化します。
横棒グラフは、AUC や accuracy などのメトリックに基づいて、選択されたジョブのパフォーマンスを視覚的に比較します。
ステップ 7：モデルのデプロイ
トレーニング済みのモデルを TensorFlow Serving 推論サービスとしてデプロイします。Arena は、Triton や Seldon などの他のフレームワークもサポートしています (「Arena serve ドキュメント」をご参照ください)。
この例では、ステップ 4 のモデルを使用し、ステップ 2 の fashion-demo-pvc PVC に保存されています。モデルが異なるストレージタイプを使用している場合は、まず対応する PVC を作成してください。
Arena を使用して TensorFlow モデルを TensorFlow Serving にデプロイします。
arena serve tensorflow \ --loglevel=debug \ --namespace=demo-ns \ --name=fashion-mnist \ --model-name=1 \ --gpus=1 \ --image=tensorflow/serving:1.15.0-gpu \ --data=fashion-demo-pvc:/data \ --model-path=/data/saved_model/ \ --version-policy=latestデプロイされた推論サービスの名前を取得します。
arena serve list -n demo-ns期待される出力：
NAME TYPE VERSION DESIRED AVAILABLE ADDRESS PORTS GPU fashion-mnist Tensorflow 202111031203 1 1 172.16.XX.XX GRPC:8500,RESTFUL:8501 1出力の ADDRESS と PORTS の値を使用して、クラスター内からサービスを呼び出すことができます。
Jupyter で、新しいノートブックファイルを作成して TensorFlow Serving HTTP サービスにリクエストを送信します。
この例では、ステップ 3：モデルの開発で作成した Jupyter Notebook を使用してリクエストを送信します。
次の初期化コードで、
server_ipの値を前のステップで返された ADDRESS (172.16.XX.XX) に置き換えます。server_http_portを前のステップで返された RESTFUL ポート (8501) に設定します。
ノートブックファイルの初期化コードは次のとおりです：
import os import gzip import numpy as np # import matplotlib.pyplot as plt import random import requests import json server_ip = "172.16.XX.XX" server_http_port = 8501 dataset_dir = "/root/data/" def load_data(): files = [ 'train-labels-idx1-ubyte.gz', 'train-images-idx3-ubyte.gz', 't10k-labels-idx1-ubyte.gz', 't10k-images-idx3-ubyte.gz' ] paths = [] for fname in files: paths.append(os.path.join(dataset_dir, fname)) with gzip.open(paths[0], 'rb') as labelpath: y_train = np.frombuffer(labelpath.read(), np.uint8, offset=8) with gzip.open(paths[1], 'rb') as imgpath: x_train = np.frombuffer(imgpath.read(), np.uint8, offset=16).reshape(len(y_train), 28, 28) with gzip.open(paths[2], 'rb') as labelpath: y_test = np.frombuffer(labelpath.read(), np.uint8, offset=8) with gzip.open(paths[3], 'rb') as imgpath: x_test = np.frombuffer(imgpath.read(), np.uint8, offset=16).reshape(len(y_test), 28, 28) return (x_train, y_train),(x_test, y_test) def show(idx, title): plt.figure() plt.imshow(test_images[idx].reshape(28,28)) plt.axis('off') plt.title('\n\n{}'.format(title), fontdict={'size': 16}) class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'] (train_images, train_labels), (test_images, test_labels) = load_data() train_images = train_images / 255.0 test_images = test_images / 255.0 # reshape for feeding into the model train_images = train_images.reshape(train_images.shape[0], 28, 28, 1) test_images = test_images.reshape(test_images.shape[0], 28, 28, 1) print('\ntrain_images.shape: {}, of {}'.format(train_images.shape, train_images.dtype)) print('test_images.shape: {}, of {}'.format(test_images.shape, test_images.dtype)) rando = random.randint(0,len(test_images)-1) #show(rando, 'An Example Image: {}'.format(class_names[test_labels[rando]])) # !pip install -q requests # import requests # headers = {"content-type": "application/json"} # json_response = requests.post('http://localhost:8501/v1/models/fashion_model:predict', data=data, headers=headers) # predictions = json.loads(json_response.text)['predictions'] # show(0, 'The model thought this was a {} (class {}), and it was actually a {} (class {})'.format( # class_names[np.argmax(predictions[0])], np.argmax(predictions[0]), class_names[test_labels[0]], test_labels[0])) def request_model(data): headers = {"content-type": "application/json"} json_response = requests.post('http://{}:{}/v1/models/1:predict'.format(server_ip, server_http_port), data=data, headers=headers) print('=======response:', json_response, json_response.text) predictions = json.loads(json_response.text)['predictions'] print('The model thought this was a {} (class {}), and it was actually a {} (class {})'.format(class_names[np.argmax(predictions[0])], np.argmax(predictions[0]), class_names[test_labels[0]], test_labels[0])) #show(0, 'The model thought this was a {} (class {}), and it was actually a {} (class {})'.format( # class_names[np.argmax(predictions[0])], np.argmax(predictions[0]), class_names[test_labels[0]], test_labels[0])) # def request_model_version(data): # headers = {"content-type": "application/json"} # json_response = requests.post('http://{}:{}/v1/models/1/version/1:predict'.format(server_ip, server_http_port), data=data, headers=headers) # print('=======response:', json_response, json_response.text) # predictions = json.loads(json_response.text) # for i in range(0,3): # show(i, 'The model thought this was a {} (class {}), and it was actually a {} (class {})'.format( # class_names[np.argmax(predictions[i])], np.argmax(predictions[i]), class_names[test_labels[i]], test_labels[i])) data = json.dumps({"signature_name": "serving_default", "instances": test_images[0:3].tolist()}) print('Data: {} ... {}'.format(data[:50], data[len(data)-52:])) #request_model_version(data) request_model(data)Jupyter Notebook の
アイコンをクリックすると、次の出力が表示されます：train_images.shape: (60000, 28, 28, 1), of float64 test_images.shape: (10000, 28, 28, 1), of float64 Data: {"signature_name": "serving_default", "instances": ... [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]]]]} =======response: <Response [200]> { "predictions": [[7.42696e-07, 6.91237556e-09, 2.66364452e-07, 2.27735413e-07, 4.0373439e-07, 0.00490919966, 7.27086217e-06, 0.0316713452, 0.0010733594, 0.962337255], [0.00685342, 1.8516447e-08, 0.9266119, 2.42278338e-06, 0.0603800081, 4.01338771e-12, 0.00613868702, 4.26091073e-15, 1.35764185e-05, 3.38685469e-10], [1.09047969e-05, 0.999816835, 7.98738e-09, 0.000122893631, 4.85748023e-05, 1.50353979e-10, 3.57102294e-07, 1.89657579e-09, 4.4604468e-07, 9.23274524e-09] ] } The model thought this was a Ankle boot (class 9), and it was actually a Ankle boot (class 9)
よくある質問
Jupyter Notebook コンソールにソフトウェアをインストールするにはどうすればよいですか？
ソフトウェアをインストールするには、Jupyter Notebook コンソールで次のコマンドを実行します。
apt-get install <software-name>Jupyter Notebook コンソールで文字化けを修正するにはどうすればよいですか？
/etc/locale ファイルを編集して次のようにし、ターミナルを再度開きます。
LC_CTYPE="da_DK.UTF-8" LC_NUMERIC="da_DK.UTF-8" LC_TIME="da_DK.UTF-8" LC_COLLATE="da_DK.UTF-8" LC_MONETARY="da_DK.UTF-8" LC_MESSAGES="da_DK.UTF-8" LC_PAPER="da_DK.UTF-8" LC_NAME="da_DK.UTF-8" LC_ADDRESS="da_DK.UTF-8" LC_TELEPHONE="da_DK.UTF-8" LC_MEASUREMENT="da_DK.UTF-8" LC_IDENTIFICATION="da_DK.UTF-8" LC_ALL=