深度学习系列70：模型部署torchserve

1. 流程说明

ts文件夹下，
从launcher.py进入，执行jar文件。
入口为model_server.py的start()函数。内容包含：

1. 读取args，创建pid文件
   
2. 找到java，启动model-server.jar程序，同时读取log-config文件，TEMP文件夹地址，TS_CONFIG_FILE文件
3. 根据cpu核数、gpu个数，启动多进程。每个进程有一个socket_name和socket_type，执行model_service_worker.py，创建TorchModelServiceWorker类，并执行run_server方法。run_server不断执行handle_connection方法，handle_connection不断执行predict(cmd为I时)或者load_model（cmd为L时）任务。
4. load_model可以返回service对象，而service可以执行predict函数。如果handler中间包含冒号，则用后面的function作为_entry_point，否则默认用handle函数作为_entry_point。
5. service的定义如下。其中manifest是一个字典，记录在MAR包里面的MAR_INF/MANIFEST.json中，包含modelName，serializedFile，handler，modelVersion等信息。这些信息也是modelArchiver打包模型时需要的内容。

class Service(object):"""Wrapper for custom entry_point"""def __init__(self,model_name,model_dir,manifest,entry_point,gpu,batch_size,limit_max_image_pixels=True,metrics_cache=None,):

6. 接下来看一下predict函数。首先是调用retrieve_data_for_inference方法获取input_batch，其格式为{parameter["name"]: parameter["value"]}。然后是调用ret = self._entry_point(input_batch, self.context)，这里的_entry_point就是我们自己定义的handler.handle方法。默认的handle方法执行三步：

data_preprocess = self.preprocess(data)
output = self.inference(data_preprocess)
output = self.postprocess(output)

2. 运行

1. 首先安装java，然后pip install torchserve torch-model-archiver
2. 接着将模型和参数打包：torch-model-archiver --model-name test --version 1.0 --serialized-file test.torchscript.pt --handler handler_test.py --export-path model_store
3. 启动服务torchserve --start --ncs --model-store model_store --models test.mar --disable-token-auth --ts-config config.properties
4. 停止服务torchserve --stop
5. 调用：

res = requests.post("http://127.0.0.1:8080/predictions/test",files = {"data":data})