深度学习模型部署的几种方法

由于模型训练完之后需要上线部署，这个过程中需要将模型集成到当前的软件架构中，因此要根据软件架构考虑模型的实际部署方法。目前来看主流的部署方法有以下几种方案：

1.python服务接口

在python服务器上部署模型文件，给出一个http服务，后台通过这个服务就可以调用模型进行输入输出了。

优点：算法与后端的工作界限明显，不需要特别多的沟通；在使用模型前还需要进行数据预处理，不需要额外再进行代码迁移。

缺点：需要服务器安装python环境，维护的成本增加，服务器之间接口的通信问题，获取模型输出所需时间可能更长。

2.java直接加载模型

目前工业界比较成熟的部署方案就是使用tensorflow的java包，然后加载训练的模型文件。

需要事先将模型文件保存成pb格式，然后在java的环境中添加依赖。最后再加载模型。

优点：不需要额外的接口，调用方便；不需要额外安装python环境

缺点：需要将数据预处理这部分代码迁移成java，并添加到后端项目代码中。另外google对这种方法重视不高，没有详细的文档，也很少更新维护代码。模型预测速度和调python接口差不多。

3.docker+tf-serving部署模型

这个是google比较推荐的部署方法，部署文档比较详细。也是广泛使用的方法。这种方法直接将模型部署在docker容器中，然后提供两种接口，分别是Grpc接口和http接口，前者据说是在读取批量数据上更有优势，例如图片数据；服务启动后只要可以连接，任何语言都可以调用。

优点：部署方便，不受服务器限制；可以同时部署多个模型，方便模型的管理和版本控制；模型推理的速度快，经过测试比前两种快2倍。

缺点：同样需要编写数据预处理代码，数据输入格式需要按文档的要求。

综上所述，目前几种部署方案都可以使用，需要根据实际情况灵活选择合适的方法。个人觉得如果是比较规范的平台化部署可以用tf-serving；如果只是比较小的功能，不需要太多的后续维护的模型1和2都可以。

从搜集的资料上看，由于对模型推理速度的性能要求越来越高，例如bert这种参数上亿的模型，目前使用gpu环境部署模型的场景越来越多，Nvidia的tensorRT也有越来越多人开始尝试，据说比tf-serving的推理速度更快。

今天的文章深度学习模型部署的几种方法分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。