{"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 Bewertung des Aussehens auf der Grundlage neuronaler Netze","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 werde ich meine Erfahrungen beim Aufbau einer Mikroservice-Architektur f\u00fcr ein Projekt, das neuronale Netze verwendet, teilen.<\/p>\n

<\/p>\n

Lassen Sie uns \u00fcber die Anforderungen an die Architektur sprechen, verschiedene Strukturdiagramme ansehen, jeden der Komponenten der fertigen Architektur analysieren und die technischen Metriken der L\u00f6sung bewerten.<\/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 grundlegende Idee ist, basierend auf Fotos die Attraktivit\u00e4t einer Person 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 Datenvorbereitung und des Trainings absehen. In einem der n\u00e4chsten Beitr\u00e4ge werden wir jedoch auf die Analyse des Bewertungs-Pipelines auf einer tieferen Ebene zur\u00fcckkommen.<\/p>\n

<\/p>\n

Jetzt werden wir den Bewertungs-Pipeline auf einer hohen Ebene durchgehen, wobei wir den Fokus auf die Interaktion der Mikroservices im Kontext der Gesamtarchitektur des Projekts legen.\u00a0<\/p>\n

<\/p>\n

Bei der Arbeit an der Bewertungs-Pipeline wurde die Aufgabe in folgende Komponenten dekonstruiert:<\/p>\n

<\/p>\n

    \n
  1. Gesichtserkennung auf Fotos<\/li>\n
  2. Bewertung jedes Gesichts<\/li>\n
  3. Rendering des Ergebnisses<\/li>\n<\/ol>\n

    <\/p>\n

    Das erste wird mithilfe von einem vortrainierten MTCNN<\/a><\/noindex>gel\u00f6st. F\u00fcr das zweite wurde ein konvolutionales neuronales Netz auf PyTorch trainiert, wobei als Backbone verwendet wurde ResNet34<\/a><\/noindex> \u2013 aus dem Balance zwischen \"Qualit\u00e4t \/ Geschwindigkeit der Inferenz auf CPU\".<\/p>\n

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

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

    <\/p>\n

    Analyse der Anforderungen an die Architektur des Projekts<\/h2>\n

    <\/p>\n

    Im Lebenszyklus ML<\/a><\/noindex> sind die Arbeitsschritte an der Architektur und der Automatisierung des Modellausrollens oft die zeit- und ressourcenintensivsten.<\/p>\n

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

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

    <\/p>\n

    Dieses Projekt ist da keine Ausnahme \u2013 es wurde beschlossen, die Bewertungs-Pipeline in einen Online-Service zu verpacken, was ein Eintauchen in die Architektur erforderte. Es wurden folgende grundlegende Anforderungen festgelegt:<\/p>\n

    <\/p>\n

      \n
    1. Zentralisierte Log-Speicherung \u2013 alle Dienste sollten Protokolle an einem Ort schreiben, die einfach zu analysieren sind.<\/li>\n
    2. M\u00f6glichkeit der horizontalen Skalierung des Bewertungsdienstes \u2013 als wahrscheinlichster Bottleneck<\/li>\n
    3. Es sollten gleich viele CPU-Ressourcen f\u00fcr die Bewertung jedes Bildes bereitgestellt werden \u2013 um Ausrei\u00dfer in der Verteilung der Zeit f\u00fcr die Inferenz zu vermeiden.<\/li>\n
    4. Schnelle (Neu-)Bereitstellung sowohl der spezifischen Dienste als auch des gesamten Stacks.<\/li>\n
    5. Die M\u00f6glichkeit, bei Bedarf gemeinsame Objekte in verschiedenen Diensten zu nutzen.<\/li>\n<\/ol>\n

      <\/p>\n

      Architektur<\/h2>\n

      <\/p>\n

      Nach der Analyse der Anforderungen wurde deutlich, dass die Mikroservice-Architektur praktisch perfekt passt.<\/p>\n

      <\/p>\n

      Um unn\u00f6tigen Kopfschmerzen zu entgehen, wurde Telegram API als Frontend gew\u00e4hlt.<\/p>\n

      <\/p>\n

      Zun\u00e4chst betrachten wir das Strukturdiagramm der fertigen Architektur, anschlie\u00dfend werden wir jedes der Komponenten beschreiben und den Prozess der erfolgreichen Bildverarbeitung formalisieren.<\/p>\n

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

      Strukturdiagramm der fertigen Architektur<\/i><\/p>\n

      <\/p>\n

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

      <\/p>\n

      Mikroservice \u201eattrai-telegram-bot\u201c<\/h3>\n

      <\/p>\n

      Dieser Mikroservice kapselt alle Interaktionen mit der Telegram API. Es lassen sich zwei Hauptszenarien unterscheiden \u2013 die Arbeit mit dem Benutzerbild und die Arbeit mit dem Ergebnis der Bewertungs-Pipeline. Wir werden beide Szenarien im Allgemeinen durchgehen.<\/p>\n

      <\/p>\n

      Beim Erhalt einer Benutzer-Nachricht mit einem Bild:<\/p>\n

      <\/p>\n

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