간단한 코드로 Vertex AI에서 모델 학습 및 배포하는 과정을 다룬다.

MNIST 데이터는 데이터를 불러오는 과정을 간단하게 load_data로 할 수 있기 때문에 아래와 같이 간단히 2개의 컴포넌트로 구성할 수 있다.

  • Load data & Training
  • Deploy with endpoint

아래의 과정을 따라오면 다음과 같은 파이프라인을 설계할 수 있다.

0. Import Library

Library를 불러오는 부분이다.

import kfp
from kfp import dsl
from kfp.v2 import compiler
from kfp.v2.dsl import (Artifact, Dataset, Input, InputPath, Model, Output,
                        OutputPath, ClassificationMetrics, Metrics, component)

from google.cloud.aiplatform import pipeline_jobs

from datetime import datetime

1. Load data & Training Component

데이터를 불러와서 전처리 한 뒤 모델을 정의하고 학습을 진행할 것이다. 사실 각각의 컴포넌트로 구현을 하는 것이 옳을지 모르겠다. 간단하게 배포를 위한 포스팅이니 하나의 컴포넌트로 구성했다.

@component(
    packages_to_install=["tensorflow"] # 1
)
def load_data_and_training(
    output_model: Output[Model], # 2
    metrics: Output[Metrics] # 3
):
    import tensorflow as tf
    
    mnist = tf.keras.datasets.mnist # 4
    (train_x, train_y), (test_x, test_y) = mnist.load_data()
    train_x = train_x / 255.0
    test_x = test_x / 255.0
    
    model = tf.keras.Sequential( # 5
        [
            tf.keras.layers.Flatten(input_shape=(28, 28)),
            tf.keras.layers.Dense(128, activation='relu'),
            tf.keras.layers.Dense(10, activation='softmax')
        ]
    )
    model.compile( # 6
        optimizer='adam',
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy']
    )
    model.fit(train_x, train_y, epochs=3) # 7
    loss, acc = model.evaluate(test_x, test_y) # 8
    
    metrics.log_metric("acc", (acc*100.0)) # 9
    metrics.log_metric("loss", loss)
    metrics.log_metric("Model", "LinearModel")
    metrics.log_metric("dataset size", len(train_x))
    
    model.save(output_model.path) # 10

    print(f"Model saved path : {output_model.path}")
    print(f"Model saved uri : {output_model.uri}")

코드 옆에 주석으로 숫자를 표시해두었다. 간단하게 설명을 적어두려 한다.

  • 1: kip.v2.dsl 에 정의된 component 데코레이터이다. 일반 함수를 파이프라인 컴포넌트로 변경해준다. 3개의 argument를 사용할 수 있다.
    • base_image : 지정해주지 않으면 기본적으로 python:3.7 이미지를 사용한다.
    • output_component_file : component에 정의된 내용을 yaml 파일로 작성하여 협업을 위해 사용하거나 다른 파이프라인에서 사용할 수 있다.
    • packages_to_install: base_image에서 추가적으로 패키지를 설치할 때 사용한다. 패키지 리스트를 입력해주면 된다. 나의 경우 python:3.7 이미지에 tensorflow를 설치했다.
  • 2: Ouput은 컴포넌트의 출력을 정의할 수 있다. 훈련한 모델을 저장하기 위한 경로를 Deploy Component에서 사용하기 위해 출력했다.
  • 3: Metrics은 위와같이 log_metric 으로 값을 주면 Vertex AI Pipeline의 “실행 측정항목” 에서 확인할 수 있을 뿐만 아니라 여러개의 파이프라인을 선택하여 Metrics에 입력한 값을 기반으로 서로 비교할 수 있다.
  • 4: MNIST 데이터셋의 불러오고 전처리를 하는 과정이다.
  • 5: Tensorflow로 간단한 Linear Model을 정의하는 부분이다.
  • 6: 모델 학습과정을 정의하는 compile 부분이다.
  • 7: 모델 학습
  • 8: 모델 평가, 기본적으로 loss를 반환하고 compile 시 metrics 로 지정했던 측정항목들이 순서대로 출력된다.
  • 9: 3번에서 이야기했던 Component mertric을 지정하는 부분이다. key value의 쌍으로 값을 준다.
  • 10: 모델을 저장하는 부분이다. Output으로 지정했던 output_model의 path에 모델을 저장한다

Metrics의 log_metric 으로 지정한 뒤 학습의 결과는 다음과 같이 확인할 수 있다.

CNN 모델을 하나 더 만들어서 간단하게 비교해보았다. 참고로만 보자.

2. Deploy with endpoint

앞서 저장한 모델을 서빙하는 부분이다. 모델을 배포하고 endpoint를 생성하여 연결한다.

@component(
    packages_to_install=["google-cloud-aiplatform"]
)
def deploy_model(
    model: Input[Model],
    project: str,
    region: str,
    vertex_endpoint: Output[Artifact],
    vertex_model: Output[Model]
):
    from google.cloud import aiplatform

    aiplatform.init(project=project, location=region) # 1

    deployed_model = aiplatform.Model.upload( # 2
        display_name="simple-mnist-pipeline",
        artifact_uri = model.uri,
        serving_container_image_uri="us-docker.pkg.dev/vertex-ai/prediction/tf2-cpu.2-6:latest"
    )
    endpoint = deployed_model.deploy(machine_type="n1-standard-4") # 3

    # Save data to the output params
    vertex_endpoint.uri = endpoint.resource_name # 4
    vertex_model.uri = deployed_model.resource_name
  • 1: 모델을 업로드하는 과정은 google cloud의 서비스에 종속적이다.
  • 2: 모델 서빙을 위해서 저장한 모델을 불러와서 Vertex ai에서 관리하는 모델로 등록한다. 이때 어떠한 이미지를 기반으로 serving 모델을 만들지 serving_container_image_uri 로 지정해줘야 한다. 여기에 들어가면 Prediction을 위한 다양한 베이스 이미지를 확인할 수 있다.
  • 3: 2에서 업로드한 모델을 endpoint와 연결짓는 부분이다. endpoint를 인자로 주지 않으면 disployname의 이름으로 자동으로 생성된다. 여기서 배포를 위한 replicas, accelartor 그리고 하나의 엔드포인트에 여러개의 모델이 연결될 수 있으므로 trafficpercentage 등도 설정이 가능하다. 여기를 참고하자.
  • 4: component의 Output으로 지정한 vertex_endpoint , vertex_model 이 처음으로 등장했는데, 단순히 컴포넌트의 결과로서 배포된 모델의 정보와 Endpoint의 정보를 확인하기 위함이다. 사실 꼭 필요한 부분은 아니다.

4번과 같이 Ouput을 지정해주면 아래의 사진과 같이 Pipeline에서 정보들을 출력해준다.

그리고 각 아티팩트의 세부정보를 확인해보면 uri를 확인할 수 있다.

3. Define Pipeline

위에서 정의한 두개의 컴포넌트를 실행하는 Pipeline을 작성한다.

@dsl.pipeline(
    pipeline_root=PIPELINE_ROOT, # 1
    name="simple-mnist-pipeline",
)
def pipeline(
    project: str = PROJECT_ID, # 2
    region: str = REGION
):
    load_data_and_training_task = load_data_and_training() # 3

    deploy_task = deploy_model( # 4
        model=load_data_and_training_task.outputs["output_model"],
        project=project,
        region=region
    )
  • 1: 파이프라인을 실행하면서 생성될 Artifacts를 저장하기 위한 중간 저장소이다. MinIO, S3, GCS 등을 사용할 수 있다.
  • 2: 앞서 설명했다시피 deploy_model 의 경우 google cloud에 종속적이다. 파라미터로 값을 받아 deploy를 위해 사용한다.
  • 3: 처음으로 정의한 Load data & Training Component 를 실행하는 부분이다.
  • 4: 두번째로 정의한 Deploy with endpoint 를 실행하는 부분이다. loaddataandtrainingtask의 ouput 중 output_model를 불러와 입력으로 사용한다.

4. Run Pipeline

정의한 파이프라인을 Vertex AI에서 실행하는 부분이다.

TIMESTAMP = datetime.now().strftime("%Y%m%d%H%M%S")

compiler.Compiler().compile(
    pipeline_func=pipeline, package_path="simple_mnist_pipeline.json"
)

run = pipeline_jobs.PipelineJob(
    display_name="simple-mnist-pipeline",
    template_path="simple_mnist_pipeline.json",
    job_id="simple-mnist-pipeline-{0}".format(TIMESTAMP),
    parameter_values={},
    enable_caching=True,
)

run.run(sync=False)

 

티스토리툴바