{"id":89110,"date":"2020-07-18T19:42:10","date_gmt":"2020-07-18T17:42:10","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/obshhij-obzor-arhitektury-servisa-dlya-oczenki-vneshnosti-na-osnove-nejronnyh-setej"},"modified":"2020-07-18T19:42:10","modified_gmt":"2020-07-18T17:42:10","slug":"obshhij-obzor-arhitektury-servisa-dlya-oczenki-vneshnosti-na-osnove-nejronnyh-setej","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/obshhij-obzor-arhitektury-servisa-dlya-oczenki-vneshnosti-na-osnove-nejronnyh-setej","title":{"rendered":"Allgemeiner \u00dcberblick \u00fcber die Architektur des Dienstes zur Beurteilung des Erscheinungsbilds basierend auf neuronalen Netzwerken.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Allgemeiner<\/p>\n

Einleitung<\/h2>\n

<\/p>\n

Hallo!<\/p>\n

<\/p>\n

In diesem Artikel teile ich meine Erfahrungen beim Aufbau einer Mikroservice-Architektur f\u00fcr ein Projekt, das neuronale Netze verwendet.<\/p>\n

<\/p>\n

Wir sprechen \u00fcber die Anforderungen an die Architektur, betrachten verschiedene Strukturdiagramme, analysieren jeden der Komponenten der fertigen Architektur und bewerten die technischen Metriken der L\u00f6sung.<\/p>\n

<\/p>\n

Viel Spa\u00df beim Lesen!<\/p>\n

<\/a><\/noindex><\/p>\n

Ein paar Worte zur Aufgabe und ihrer L\u00f6sung<\/h2>\n

<\/p>\n

Die Grundidee besteht darin, die Attraktivit\u00e4t einer Person anhand eines Fotos auf einer Skala von eins bis zehn zu bewerten.<\/p>\n

<\/p>\n

In diesem Artikel werden wir von der Beschreibung sowohl der verwendeten neuronalen Netze als auch des Prozesses der Datenaufbereitung und des Trainings absehen. In einer der n\u00e4chsten Ver\u00f6ffentlichungen werden wir jedoch auf die detaillierte Analyse des Bewertungs-Pipelines zur\u00fcckkommen.<\/p>\n

<\/p>\n

Im Moment werden wir die Bewertungs-Pipeline auf einer hohen Ebene durchgehen und uns auf die Interaktion der Mikroservices im Kontext der Gesamtarchitektur des Projekts konzentrieren.\u00a0<\/p>\n

<\/p>\n

Bei der Arbeit an der Bewertung der Attraktivit\u00e4t wurde die Aufgabe in die folgenden Bestandteile unterteilt:<\/p>\n

<\/p>\n

    \n
  1. Gesichtserkennung auf dem Foto<\/li>\n
  2. Bewertung jedes der Gesichter<\/li>\n
  3. Ergebnis-Rendering<\/li>\n<\/ol>\n

    <\/p>\n

    Das erste wird durch ein vortrainiertes Modell gel\u00f6st MTCNN<\/a><\/noindex>. F\u00fcr das zweite wurde ein neuronales Netzwerk mit Convolutional Neural Networks auf PyTorch trainiert, wobei ResNet34 als Backbone verwendet wurde. ResNet34<\/a><\/noindex> \u2013 aus dem Ziel \u201eQualit\u00e4t \/ Geschwindigkeit der Inferenz auf CPU\u201c<\/p>\n

    \n\"Allgemeiner<\/p>\n

    Funktionsdiagramm des Bewertungs-Pipeline<\/i><\/p>\n

    <\/p>\n

    Analyse der Anforderungen an die Projektarchitektur<\/h2>\n

    <\/p>\n

    Im Lebenszyklus ML<\/a><\/noindex> des Projekts sind die Phasen der Arbeit an der Architektur und der Automatisierung der Modellbereitstellung oft eine der zeit- und ressourcenintensivsten.<\/p>\n

    \n\"Allgemeiner<\/p>\n

    Lebenszyklus eines ML-Projekts<\/i><\/p>\n

    <\/p>\n

    Dieses Projekt ist keine Ausnahme \u2013 es wurde entschieden, die Bewertungspipeline in einen Online-Service zu integrieren, was ein tiefes Eintauchen in die Architektur erforderte. Folgende grundlegende Anforderungen wurden festgelegt:<\/p>\n

    <\/p>\n

      \n
    1. Zentrales Log-Repository \u2013 alle Dienste sollten ihre Logs an einem Ort schreiben, um eine bequeme Analyse zu erm\u00f6glichen.<\/li>\n
    2. M\u00f6glichkeit zur horizontalen Skalierung des Bewertungsdienstes \u2013 als wahrscheinlichster Engpass.<\/li>\n
    3. Jedes Bild sollte mit der gleichen Menge an Rechenressourcen bewertet werden \u2013 um Ausrei\u00dfer in der Verteilung der Inferenzzeit zu vermeiden.<\/li>\n
    4. Schnelles (Neu-)Bereitstellen sowohl einzelner Dienste als auch des gesamten Stacks.<\/li>\n
    5. Die M\u00f6glichkeit, bei Bedarf in verschiedenen Diensten gemeinsame Objekte zu verwenden.<\/li>\n<\/ol>\n

      <\/p>\n

      Architektur von<\/h2>\n

      <\/p>\n

      Nach der Analyse der Anforderungen wurde deutlich, dass die mikroservicebasierte Architektur fast perfekt passt.<\/p>\n

      <\/p>\n

      Um \u00fcberfl\u00fcssige Kopfschmerzen zu vermeiden, wurde das Telegram API als Frontend gew\u00e4hlt.<\/p>\n

      <\/p>\n

      Zuerst betrachten wir das strukturelle Diagramm der fertigen Architektur, anschlie\u00dfend gehen wir auf die Beschreibung jeder Komponente ein und formalisierten den Prozess der erfolgreichen Bildverarbeitung.<\/p>\n

      \n\"Allgemeiner<\/p>\n

      Das strukturelle Diagramm der fertigen Architektur.<\/i><\/p>\n

      <\/p>\n

      Lassen Sie uns n\u00e4her auf jede Komponente des Diagramms eingehen und ihre Single Responsibility im Prozess der Bildbewertung kennzeichnen.<\/p>\n

      <\/p>\n

      Mikroservice \u00abattrai-telegram-bot\u00bb<\/h3>\n

      <\/p>\n

      Dieser Mikroservice kapselt alle Interaktionen mit dem Telegram API ein. Es lassen sich zwei Hauptszenarien unterscheiden \u2013 die Bearbeitung des Benutzerbildes und die Arbeit mit dem Ergebnis des Bewertungs-Pipelines. Beide Szenarien werden wir allgemein untersuchen.<\/p>\n

      <\/p>\n

      Beim Empfang einer Benutzernachricht mit einem Bild:<\/p>\n

      <\/p>\n

        \n
      1. Es erfolgt eine Filterung, die aus den folgenden Pr\u00fcfungen besteht:\n