下面的Github链接包含从进程调用TF模型问题的可能解决方案。它们包括急切执行和专用服务器进程,通过http请求提供TF模型预测。我想知道,与每次初始化全局变量并调用tf.train.Server
相比,定制服务器和请求是否能赢得任何时间,但这似乎是一种更优雅的方式。在
我将调查内存泄漏,如果它消失了,关闭这个问题。在
编辑:添加了问题的简单可复制示例:
https://github.com/hcl14/Tensorflow-server-launched-from-child-process
后台:我正在运行Tensorflow服务器,并从“分叉”进程连接到它。动态地创建(和销毁)进程对我来说是非常重要的—我将高负载的部分代码移到了那里,因为有一个weird memory leak,Python探查器看不到它(线程不能解决这个问题)。因此,我希望进程快速初始化并立即开始工作。只有在进程被破坏时才会释放内存。在
在做实验的时候,我发现了一个解决方案:将加载的模型和图形保存到全局变量中,然后由子进程(默认使用“fork”模式)获取,然后调用服务器。在
问题:对我来说奇怪的是,在加载keras模型之后,我不能锁定我不希望修改的图形,而且每次在子进程中打开新会话时,我都需要运行tf.global_variables_initializer()
。但是,在不创建任何会话的情况下在主流中运行虚拟运行可以正常工作。我知道在本例中,tensorflow使用默认会话,但是在模型运行之后,图上的所有变量都应该初始化,所以我希望新的会话能够与先前定义的图一起正常工作。在
因此,我认为修改模型会使Python对子进程进行大量pickle(“fork”模式),这会造成计算和内存开销。在
请原谅我有很多代码。我使用的模型是遗留的,对我来说是黑盒,所以我的问题可能与它有关。Tensorflow版本是1.2(我无法升级,模型不兼容),Python3.6.5。在
另外,也许我的解决方案效率低下,还有更好的解决方案,我将非常感谢你的建议。在
我的设置如下:
1.Tensorflow服务器在主进程中启动:
初始化服务器:
def start_tf_server():
import tensorflow as tf
cluster = tf.train.ClusterSpec({"local": [tf_server_address]})
server = tf.train.Server(cluster, job_name="local", task_index=0)
server.join() # block process from exiting
主要工序:
^{pr2}$2.init_interests_for_process()
是一个模型初始值设定项,它加载我的旧模型并在全局变量中共享它。我做了一个虚拟模型传递,让图上的所有内容都初始化,然后想锁定这个图。但它不起作用:
def init_interests_for_process():
# Prevent errors on my GPU and disable tensorflow
# complaining about CPU instructions
import os
os.environ["CUDA_VISIBLE_DEVICES"]= ""
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf
from tensorflow.contrib.keras import models
# create tensorflow graph
graph = tf.get_default_graph()
with graph.as_default():
TOKENIZER = joblib.load(TOKENIZER_FILE)
NN1_MODEL = models.load_model(NN1_MODEL_FILE)
with open(NN1_CATEGORY_NAMES_FILE, 'r') as f:
NN1_CATEGORY_NAMES = f.read().splitlines()
NN2_MODEL = models.load_model(NN2_MODEL_FILE)
with open(NN2_CATEGORY_NAMES_FILE, 'r') as f:
NN2_CATEGORY_NAMES = f.read().splitlines()
# global variable with all the data to be shared
interests = {}
interests["TOKENIZER"] = TOKENIZER
interests["NN1_MODEL"] = NN1_MODEL
interests["NN1_CATEGORY_NAMES"] = NN1_CATEGORY_NAMES
interests["NN2_MODEL"] = NN2_MODEL
interests["NN2_CATEGORY_NAMES"] = NN2_CATEGORY_NAMES
interests['all_category_names'] = NN1_CATEGORY_NAMES + \
NN2_CATEGORY_NAMES
# Reconstruct a Python object from a file persisted with joblib.dump.
interests["INTEREST_SETTINGS"] = joblib.load(INTEREST_SETTINGS_FILE)
# dummy run to create graph
x = tf.contrib.keras.preprocessing.sequence.pad_sequences(
TOKENIZER.texts_to_sequences("Dummy srting"),
maxlen=interests["INTEREST_SETTINGS"]["INPUT_LENGTH"]
)
y1 = NN1_MODEL.predict(x)
y2 = NN2_MODEL.predict(x)
# PROBLEM: I want, but cannot lock graph, as child process
# wants to run its own tf.global_variables_initializer()
# graph.finalize()
interests["GRAPH"] = graph
return interests
3.现在我生成进程(实际上,该进程是从另一个进程派生的-层次结构很复杂):
def foo(q):
result = call_function_which_uses_interests_model(some_data)
q.put(result)
return # I've read it is essential for destroying local variables
q = Queue()
p = Process(target=foo,args=(q,))
p.start()
p.join()
result = q.get() # retrieve data
4.在这个过程中,我称之为模型:
# retrieve model from global variable
interests = global_vars.multiprocess_globals["interests"]
tokenizer = interests["TOKENIZER"]
nn1_model = interests["NN1_MODEL"]
nn1_category_names = interests["NN1_CATEGORY_NAMES"]
nn2_model = interests["NN2_MODEL"]
nn2_category_names = interests["NN2_CATEGORY_NAMES"]
input_length = interests["INTEREST_SETTINGS"]["INPUT_LENGTH"]
# retrieve graph
graph = interests["GRAPH"]
# open session for server
logger.debug('Trying tf server at ' + 'grpc://'+tf_server_address)
sess = tf.Session('grpc://'+tf_server_address, graph=graph)
# PROBLEM: and I need to run variables initializer:
sess.run(tf.global_variables_initializer())
tf.contrib.keras.backend.set_session(sess)
# finally, make a call to server:
with sess.as_default():
x = tf.contrib.keras.preprocessing.sequence.pad_sequences(
tokenizer.texts_to_sequences(input_str),
maxlen=input_length)
y1 = nn1_model.predict(x)
y2 = nn2_model.predict(x)
如果每次生成新进程时不锁定图形并运行变量初始值设定项,则一切正常。(除了,每次调用都会有大约30-90 MB的内存泄漏,这对python内存分析器是不可见的)。当我想锁定图形时,我会收到有关未初始化变量的错误:
FailedPreconditionError (see above for traceback):
Attempting to use uninitialized value gru_1/bias
[[Node: gru_1/bias/read = Identity[T=DT_FLOAT, _class=["loc:@gru_1/bias"],
_device="/job:local/replica:0/task:0/cpu:0"](gru_1/bias)]]
提前谢谢!在
我不确定这是否对您有帮助,但是需要知道在tensorflow中,变量只为给定的
Session
初始化。每个Session
中都需要初始化一个变量,即使在最简单的情况下也要使用它:你考虑过TensorFlow服务吗?https://www.tensorflow.org/serving/
一般来说,您希望缓存会话,我认为这是TF Serving使用的策略。这将是迄今为止将TF模型部署到数据中心的最佳体验。在
您也可以转到另一个方向,^{} ,这样就不需要会话了。变量仍然会被初始化,尽管在创建Python变量对象时会立即初始化。在
但是如果您真的想创建和销毁会话,可以用常量("freeze" it)替换图中的变量。在本例中,我还考虑禁用图优化,因为第一个带有一组新的feed和fetch的
session.run
调用将在默认情况下花费一些时间来优化图(通过GraphOptions
proto中的RewriterConfig
进行配置)。在(引自对该问题的评论)
相关问题 更多 >
编程相关推荐