By 超神经
内容概要：近日 PyTorch 发布了 1.5 版本的更新，作为越来越受欢迎的机器学习框架，PyTorch 本次也带来了大的功能升级。此外， Facebook 和 AWS 还合作推出了两个重要的 PyTorch 库。
关键词：PyTorch AWS TorchServe
随着 PyTorch 在生产环境中的应用越来越多，为社区提供更好的工具和平台，以便高效地扩展训练和部署模型，也成了 PyTorch 的当务之急。
近日 PyTorch 1.5 发布，升级了主要的 torchvision，torchtext 和 torchaudio 库，并推出将模型从 Python API 转换为 C ++ API 等功能。
除此之外，Facebook 还和 Amazon 合作，推出了两个重磅的工具：TorchServe 模型服务框架和 TorchElastic Kubernetes 控制器。
TorchServe 旨在为大规模部署 PyTorch 模型推理，提供一个干净、兼容性好的工业级路径。
而 TorchElastic Kubernetes 控制器，可让开发人员快速使用 Kubernetes 集群，在 PyTorch 中创建容错分布式训练作业。
这似乎是 Facebook 联手亚马逊，在针对大型性能 AI 模型框架上，宣战 TensorFlow 的一个举措。
TorchServe：用于推理任务
部署机器学习模型进行规模化推理并非易事。开发人员必须收集和打包模型工件，创建安全的服务栈，安装和配置预测用的软件库，创建和使用 API 和端点，生成监控用的日志和指标，并在可能的多个服务器上管理多个模型版本。
上述每一项任务都需要大量的时间，并可能会使模型部署速度减慢数周甚至数月。此外，为低延迟在线应用优化服务是一件必须要做的事情。
此前使用 PyTorch 的开发人员，均缺乏官方支持的部署 PyTorch 模型的方法。而生产模型服务框架 TorchServe 的发布，将改变这一现状，它能够更容易地将模型投入到生产中。
在下面的例子中，将说明如何从 Torchvision 中提取训练过的模型，并使用 TorchServe 进行部署。
#Download a trained PyTorch model
wget https://download.pytorch.org/models/densenet161-8d451a50.pth
#Package model for TorchServe and create model archive .mar file
torch-model-archiver \
–model-name densenet161 \
–version 1.0 \
–model-file examples/image_classifier/densenet_161/model.py \
–serialized-file densenet161–8d451a50.pth \
–extra-files examples/image_classifier/index_to_name.json \
–handler image_classifier
mkdir model_store
mv densenet161.mar model_store/
#Start TorchServe model server and register DenseNet161 model
torchserve — start — model-store model_store — models densenet161=densenet161.mar
TorchServe 的测试版本现已可用，其特点包括:
- 原生态 API：支持用于预测的推理 API，和用于管理模型服务器的管理 API。
- 安全部署：包括对安全部署的 HTTPS 支持。
- 强大的模型管理功能：允许通过命令行接口、配置文件或运行时 API 对模型、版本和单个工作线程进行完整配置。
- 模型归档：提供执行「模型归档」的工具，这是一个将模型、参数和支持文件打包到单个持久工件的过程。使用一个简单的命令行界面，可以打包和导出为单个「 .mar」文件，其中包含提供 PyTorch 模型所需的一切。该 .mar 文件可以共享和重用。
- 内置的模型处理程序：支持涵盖最常见用例，如图像分类、对象检测、文本分类、图像分割的模型处理程序。TorchServe 还支持自定义处理程序。
- 日志记录和指标：支持可靠的日志记录和实时指标，以监视推理服务和端点、性能、资源利用率和错误。还可以生成自定义日志并定义自定义指标。
- 模型管理：支持同时管理多个模型或同一模型的多个版本。你可以使用模型版本回到早期版本，或者将流量路由到不同的版本进行 A/B 测试。
- 预构建的图像：准备就绪后，可以在基于 CPU 和 NVIDIA GPU 的环境中，部署T orchServe 的 Dockerfile 和 Docker 镜像。最新的 Dockerfiles 和图像可以在这里找到。
用户也可以从 pytorch.org/serve 获得安装说明、教程和文档。
TorchElastic ：集成的 K8S 控制器
当前机器学习的训练模型越来越大，如 RoBERTa 和 TuringNLG，它们向外扩展到分布式集群的需求也变得越来越重要。为了满足这一需求，通常会使用抢占式实例（例如 Amazon EC2 Spot 实例）。
但这些可抢占实例本身是不可预测的，为此，第二个工具 TorchElastic 出现了。
Kubernetes 和 TorchElastic 的集成，允许 PyTorch 开发人员在一组计算节点上训练机器学习模型，这些节点可以动态地变化，而不会破坏模型训练过程。
即使节点发生故障，TorchElastic 的内置容错功能也可以暂停节点级别的训练，并在该节点再次恢复正常后恢复训练。
TorchElastic 的内置容错能力支持断点续传
此外，使用带有 TorchElastic 的 Kubernetes 控制器，可以在硬件或节点回收时问题上，在被替换了节点的集群上，运行分布式训练的关键任务。
训练任务可以使用部分被请求的资源启动，并且可以随着资源可用而动态扩展，无需停止或重新启动。
要利用这些功能，用户只需在简单的作业定义中指定训练参数，Kubernetes-TorchElastic 软件包便可以管理作业的生命周期。
以下是用于 Imagenet 训练作业的 TorchElastic 配置的简单示例：
apiVersion: elastic.pytorch.org/v1alpha1
kind: ElasticJob
metadata:
name: imagenet
namespace: elastic-job
spec:
rdzvEndpoint: $ETCD_SERVER_ENDPOINT
minReplicas: 1
maxReplicas: 2
replicaSpecs:
Worker:
replicas: 2
restartPolicy: ExitCode
template:
apiVersion: v1
kind: Pod
spec:
containers:
– name: elasticjob-worker
image: torchelastic/examples:0.2.0rc1
imagePullPolicy: Always
args:
– “–nproc_per_node=1”
– “/workspace/examples/imagenet/main.py”
– “–arch=resnet18”
– “–epochs=20”
– “–batch-size=32”
微软、谷歌，就问你们慌不慌？
这次两家合作推出全新 PyTorch 库的操作，其背后也许有着更深层的意义，因为「不带你玩」这个套路，在框架模型发展的历史上，已不是第一次出现。
2017 年 12 月，AWS、Facebook 和微软宣布，他们将共同开发可用于生产环境的 ONNX ，以此来对抗谷歌 TensorFlow 对工业界使用的垄断。
随后 Apache MXNet 、Caffe2、PyTorch 等主流深度学习框架，都对 ONNX 实现了不同程度的支持，这方便了算法及模型在不同的框架之间的迁移。
AWS、Facebook 和微软当初
欲用 ONNX 一统框架江湖
而 ONNX 想打通学术界和产业界的愿景，实际上并没有达到当初的预期，各家框架依然用各自的服务体系，基本上只有 MXNet 和 PyTorch 深入到了 ONNX。
而如今，PyTorch 推出了自己的服务体系，ONNX 则近乎失去了存在的意义（MXNet 表示不知所措）。
另一方面，PyTorch 在不断的升级更新之下，框架的兼容性和易用性，正在逼近甚至赶超最强劲的对手 TensorFlow。
虽然谷歌有自己的云服务和框架，但 AWS 的云资源和 Facebook 的框架体系联合，强强联手之下，恐怕谷歌也将难以招架。
