Skip to content

Latest commit

 

History

History
134 lines (97 loc) · 3.72 KB

model_publish_with_serving_guide_zh.md

File metadata and controls

134 lines (97 loc) · 3.72 KB

FATE模型发布及在线联邦推理指南

1. 概述

1.1 高可用的在线联邦推理服务由FederatedAI子项目FATE-Serving提供,代码仓库:https://github.com/FederatedAI/FATE-Serving

1.2 使用FATE-Flow命令行发布模型到在线推理服务

1.3 联邦在线推理服务支持HTTP/GRPC在线推理接口

2. 集群部署

离线训练集群(FATE),请参考:https://github.com/FederatedAI/FATE/tree/master/cluster-deploy/doc

在线推理集群(FATE-Serving),请参考:https://github.com/FederatedAI/FATE-Serving/wiki

3. 离线集群与在线集群链路配置(两种不同模式)

配置文件: conf/service_conf.yaml

3.1 在线集群不使用zookeeper模式

1) 修改服务配置

  • 填入实际serving-server服务的ip:port,如:
servings:
  hosts:
    - 192.168.0.1:8000
    - 192.168.0.2:8000

2) 服务生效

  • 参考上述离线训练集群部署文档,重启FATE-Flow服务

3.2 在线集群使用zookeeper的模式

1) 修改服务配置

其中zookeeper:hosts填入在线推理集群实际部署Zookeeper的ip:port

  • 若zookeeper开启了ACL,则需要修改use_acl user password,否则略过
use_registry: true
zookeeper:
  hosts:
    - 192.168.0.1:2181
    - 192.168.0.2:2181
  use_acl: true
  user: fate_dev
  password: fate_dev

2) 服务生效

  • 参考上述离线训练集群部署文档,重启FATE-Flow服务

4. 推送模型

复制修改FATE源码目录或者部署目录下fate_flow/examples/publish_load_model.json,生成对应模型的推送模型配置 改配置如下:

{
    "initiator": {
        "party_id": "10000",
        "role": "guest"
    },
    "role": {
        "guest": ["10000"],
        "host": ["10000"],
        "arbiter": ["10000"]
    },
    "job_parameters": {
        "work_mode": 1,
        "model_id": "arbiter-10000#guest-9999#host-10000#model",
        "model_version": "202006122116502527621"
    }
}

所有参数均要根据实际情况填入,特别注意work_mode,分布式集群为1,单机为0。serving服务将从FATE Flow下载模型。默认情况下,serving服务下载模型的地址如下:"http:// {FATE_FLOW_IP}:{FATE_FLOW_HTTP_PORT} {FATE_FLOW_MODEL_TRANSFER_ENDPOINT}"。用户也可以把job_parameters['use_transfer_url_on_serving']设置成"true",serving服务将通过serving-server.properties中的model.transfer.url中定义的地址来下载模型。 执行命令:

python fate_flow_client.py -f load -c examples/publish_load_model.json

5. 发布模型

复制修改FATE源码目录或者部署目录下fate_flow/examples/bind_model_service.json,生成对应模型的发布模型配置 改配置如下:

{
    "service_id": "",
    "initiator": {
        "party_id": "10000",
        "role": "guest"
    },
    "role": {
        "guest": ["10000"],
        "host": ["10000"],
        "arbiter": ["10000"]
    },
    "job_parameters": {
        "work_mode": 1,
        "model_id": "arbiter-10000#guest-10000#host-10000#model",
        "model_version": "2019081217340125761469"
    },
    "servings": [
    ]
}

除了servings参数非必填,所有参数均要根据实际情况填入,特别注意work_mode,分布式集群为1,单机为0

servings参数为空,则发布到所有serving-server实例

servings参数不为空,则发布到所配置的serving-server实例

执行命令:

python fate_flow_client.py -f bind -c examples/bind_model_service.json

6. 在线推理测试

参考FATE在线推理接口文档 需要填入上述第5步,发布模型时使用的service_id