aipod 1.0.0

A framework for packaging the models provided by the AI.

AIPOD

AIPOD 是一个 AI 模型服务框架：

• 约定 AI 模型提供的接口（初始化/训练/预测/日志等）
• 基于模型定义，启动一个 RPC 服务，并提供 RPC client

模型接入步骤

通过 AIPOD 接入模型的过程大致如下

服务端：

from aipod.model import AIModelBase
from aipod.rpc.server import serve

class UserModel(AIModelBase):
    def train(self, **kwargs):
        # 在此实现训练过程
        pass

    def predict(self, **kwargs):
        # 在此实现预测过程
        pass

# 启动一个加载了 UserModel 模型的 rpc 服务
serve(UserModel)

客户端：

from aipod.rpc.client import AIClient


model = AIClient(address="{rpc_server_address}", version="{model_version}")

# 初始化(仅模型训练前需要初始化)
model.initialize(**model_configs)

# 训练
model.train(**trainning_options)

# 查看训练日志（训练进度、评估结果等，非必要）
logs = model.log()

# 预测
result = model.predict(**input_data)

类方法关系如下（以 predict 为例）

class AIClient(AIModelBase) -> AIClient.predict(**input_data)
   ↓
RPC Server
   ↓
class UserModel(AIModelBase) -> UserModel.predict(**input_data)

因此自定义模型，即是基于 aipod.model.AIModelBase 实现一个模型类，其中主要是 训练 和 预测 方法

模型封装

• AIPOD 使用 aipod.model.AIModelBase 类对模型进行了定义，主要包括以下方法：
  • AIModelBase.initialize() 模型初始化
  • AIModelBase.train() 模型训练
  • AIModelBase.predict() 模型预测
  • AIModelBase.log() 查看日志
• 以上方法使用 **kwargs 传递任意所需参数，由于需要通过网络传递，输入/输出均需要是可序列化的数据类型
  • 其中有一个保留关键字 binary_data 用于传递二进制数据
  • 如需传递海量的训练数据，建议使用接入共享/网络存储的方式，参数部分只传路径
• 在模型训练前需调用 AIModelBase.initialize() 初始化模型数据文件夹，同时会将 initialize 所有的参数作为模型参数保存下来，之后通过 AIModelBase.model_info 进行访问
  • AIModelBase.model_dir() 方法会返回此模型实例对应的文件夹位置，在训练/预测过程中所有相关数据应存放在此文件夹下
• 无需在线训练的模型项目，也可以只实现 AIModelBase.predict() 方法，加载自有模型进行预测

模型服务

• 经 AIModelBase 封装好的模型类可以通过 serve(UserAIModel) 启动一个 rpc 服务，客户端即可使用 AIClient 进行调用
• 模型服务会负载某一个模型类，且支持多个模型实例，由 AIClient 的 version 参数进行区分
• 为了减少模型加载时间带来的影响，模型服务会缓存加载好的模型实例，但由于显存的限制，需要通过 AIPOD_MODEL_POOL_SIZE 环境变量配置最大同时加载的模型实例数量（超出会进行 LRU 淘汰）
• 模型服务可由环境变量进行控制，列表如下：
  • AIPOD_LISTEN_PORT：rpc 服务监听端口，默认为 50051
  • AIPOD_DATA_PATH：模型数据存放路径，默认为 appdata/
  • AIPOD_MODEL_POOL_SIZE：服务内模型缓存池大小，默认为 1
  • AIPOD_RPC_MAX_WORKERS：RPC 服务线程池大小，默认为 12