{"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\/es\/blog\/administrirovanie\/obshhij-obzor-arhitektury-servisa-dlya-oczenki-vneshnosti-na-osnove-nejronnyh-setej","title":{"rendered":"Revisi\u00f3n general de la arquitectura del servicio para evaluar la apariencia basada en redes neuronales.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Revisi\u00f3n<\/p>\n

Introducci\u00f3n<\/h2>\n

<\/p>\n

\u00a1Hola!<\/p>\n

<\/p>\n

En este art\u00edculo, compartir\u00e9 mi experiencia en la construcci\u00f3n de una arquitectura de microservicios para un proyecto que utiliza redes neuronales.<\/p>\n

<\/p>\n

Hablaremos sobre los requisitos para la arquitectura, veremos varios diagramas estructurales, examinaremos cada uno de los componentes de la arquitectura lista, y tambi\u00e9n evaluaremos las m\u00e9tricas t\u00e9cnicas de la soluci\u00f3n.<\/p>\n

<\/p>\n

\u00a1Disfruta la lectura!<\/p>\n

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

Un par de palabras sobre la tarea y su soluci\u00f3n<\/h2>\n

<\/p>\n

La idea principal es evaluar la atractividad de una persona en una escala de diez puntos basada en una foto.<\/p>\n

<\/p>\n

En este art\u00edculo, nos alejaremos de la descripci\u00f3n tanto de las redes neuronales utilizadas como del proceso de preparaci\u00f3n de datos y entrenamiento. Sin embargo, en una de las siguientes publicaciones, definitivamente volveremos a analizar el pipeline de evaluaci\u00f3n a un nivel m\u00e1s profundo.<\/p>\n

<\/p>\n

Ahora haremos un recorrido de alto nivel por el pipeline de evaluaci\u00f3n, haciendo hincapi\u00e9 en la interacci\u00f3n de los microservicios en el contexto de la arquitectura general del proyecto.\u00a0<\/p>\n

<\/p>\n

Al trabajar en el pipeline de evaluaci\u00f3n de la atractividad, la tarea se descompuso en los siguientes componentes:<\/p>\n

<\/p>\n

    \n
  1. Detecci\u00f3n de rostros en la foto<\/li>\n
  2. Evaluaci\u00f3n de cada uno de los rostros<\/li>\n
  3. Renderizaci\u00f3n del resultado<\/li>\n<\/ol>\n

    <\/p>\n

    El primero se resuelve con la ayuda de un modelo preentrenado de MTCNN<\/a><\/noindex>. Para el segundo, se entren\u00f3 una red neuronal convolucional en PyTorch, utilizando como backbone ResNet34<\/a><\/noindex> \u2013 en un equilibrio entre \"calidad \/ velocidad de inferencia en CPU\"<\/p>\n

    \n\"Revisi\u00f3n<\/p>\n

    Diagrama funcional del pipeline de evaluaci\u00f3n<\/i><\/p>\n

    <\/p>\n

    An\u00e1lisis de los requisitos de la arquitectura del proyecto<\/h2>\n

    <\/p>\n

    En el ciclo de vida ML<\/a><\/noindex> del proyecto, las etapas de trabajo en la arquitectura y la automatizaci\u00f3n del despliegue del modelo son a menudo las m\u00e1s costosas en tiempo y recursos.<\/p>\n

    \n\"Revisi\u00f3n<\/p>\n

    Ciclo de vida del proyecto de ML<\/i><\/p>\n

    <\/p>\n

    Este proyecto no es una excepci\u00f3n: se tom\u00f3 la decisi\u00f3n de envolver el pipeline de evaluaci\u00f3n en un servicio en l\u00ednea, para lo cual fue necesario profundizar en la arquitectura. Se definieron los siguientes requisitos b\u00e1sicos:<\/p>\n

    <\/p>\n

      \n
    1. Almacenamiento \u00fanico de logs: todos los servicios deben escribir los logs en un solo lugar y deben ser f\u00e1ciles de analizar.<\/li>\n
    2. Posibilidad de escalado horizontal del servicio de evaluaci\u00f3n \u2014 como el Bottleneck m\u00e1s probable.<\/li>\n
    3. A cada imagen se debe asignar la misma cantidad de recursos del procesador \u2014 para evitar desviaciones en la distribuci\u00f3n del tiempo de inferencia.<\/li>\n
    4. Despliegue r\u00e1pido (re) de servicios espec\u00edficos y del stack en general.<\/li>\n
    5. Posibilidad de utilizar objetos comunes en diferentes servicios, si es necesario.<\/li>\n<\/ol>\n

      <\/p>\n

      Arquitectura<\/h2>\n

      <\/p>\n

      Despu\u00e9s de analizar los requisitos, qued\u00f3 claro que la arquitectura de microservicios se adapta pr\u00e1cticamente a la perfecci\u00f3n.<\/p>\n

      <\/p>\n

      Para evitar dolores de cabeza innecesarios, se eligi\u00f3 el API de Telegram como frontend.<\/p>\n

      <\/p>\n

      Para empezar, revisaremos el diagrama estructural de la arquitectura final, luego pasaremos a la descripci\u00f3n de cada uno de los componentes, y adem\u00e1s formalizaremos el proceso de manejo exitoso de im\u00e1genes.<\/p>\n

      \n\"Revisi\u00f3n<\/p>\n

      Diagrama estructural de la arquitectura final<\/i><\/p>\n

      <\/p>\n

      Hablemos en detalle sobre cada uno de los componentes del diagrama, se\u00f1alando su Responsabilidad \u00danica en el proceso de evaluaci\u00f3n de la imagen.<\/p>\n

      <\/p>\n

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

      <\/p>\n

      Este microservicio encapsula todas las interacciones con el API de Telegram. Se pueden destacar 2 escenarios principales: trabajar con la imagen del usuario y trabajar con el resultado de la evaluaci\u00f3n del pipeline. Analizaremos ambos escenarios en t\u00e9rminos generales.<\/p>\n

      <\/p>\n

      Al recibir un mensaje del usuario con una imagen:<\/p>\n

      <\/p>\n

        \n
      1. Se realiza un filtrado, que consiste en las siguientes comprobaciones:\n