{"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\/fr\/blog\/administrirovanie\/obshhij-obzor-arhitektury-servisa-dlya-oczenki-vneshnosti-na-osnove-nejronnyh-setej","title":{"rendered":"Aper\u00e7u g\u00e9n\u00e9ral de l'architecture du service d'\u00e9valuation de l'apparence bas\u00e9 sur des r\u00e9seaux neuronaux","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Aper\u00e7u<\/p>\n

Introduction<\/h2>\n

<\/p>\n

Bonjour !<\/p>\n

<\/p>\n

Dans cet article, je vais partager mon exp\u00e9rience dans la construction d'une architecture microservices pour un projet utilisant des r\u00e9seaux neuronaux.<\/p>\n

<\/p>\n

Nous aborderons les exigences de l'architecture, examinerons divers diagrammes structurels, d\u00e9taillerons chacun des composants de l'architecture achev\u00e9e, et \u00e9valuerons les m\u00e9triques techniques de la solution.<\/p>\n

<\/p>\n

Bonne lecture !<\/p>\n

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

Quelques mots sur la t\u00e2che et sa solution<\/h2>\n

<\/p>\n

L'id\u00e9e principale est d'\u00e9valuer l'attrait d'une personne sur la base d'une photo sur une \u00e9chelle de dix points.<\/p>\n

<\/p>\n

Dans cet article, nous allons nous \u00e9loigner de la description des r\u00e9seaux neuronaux utilis\u00e9s ainsi que du processus de pr\u00e9paration des donn\u00e9es et d'apprentissage. Cependant, dans l'une de nos prochaines publications, nous reviendrons certainement sur l'analyse du pipeline d'\u00e9valuation \u00e0 un niveau approfondi.<\/p>\n

<\/p>\n

Nous allons maintenant parcourir le pipeline d'\u00e9valuation \u00e0 un niveau sup\u00e9rieur, en mettant l'accent sur l'interaction des microservices dans le contexte de l'architecture g\u00e9n\u00e9rale du projet.\u00a0<\/p>\n

<\/p>\n

Lors du travail sur le pipeline d'\u00e9valuation de l'attrait, la t\u00e2che a \u00e9t\u00e9 d\u00e9compos\u00e9e en les \u00e9l\u00e9ments suivants :<\/p>\n

<\/p>\n

    \n
  1. D\u00e9tection des visages sur la photo<\/li>\n
  2. \u00c9valuation de chacun des visages<\/li>\n
  3. Rendu du r\u00e9sultat<\/li>\n<\/ol>\n

    <\/p>\n

    Le premier est r\u00e9solu par une MTCNN<\/a><\/noindex>. Pour le second, un r\u00e9seau neuronal convolutif a \u00e9t\u00e9 entra\u00een\u00e9 sur PyTorch, avec comme backbone ResNet34<\/a><\/noindex> \u2013 en \u00e9quilibrant \u00ab qualit\u00e9 \/ vitesse d'inf\u00e9rence sur CPU \u00bb<\/p>\n

    \n\"Aper\u00e7u<\/p>\n

    Diagramme fonctionnel du pipeline d'\u00e9valuation<\/i><\/p>\n

    <\/p>\n

    Analyse des exigences de l'architecture du projet<\/h2>\n

    <\/p>\n

    Dans le cycle de vie ML<\/a><\/noindex> du projet, les \u00e9tapes de travail sur l'architecture et l'automatisation du d\u00e9ploiement du mod\u00e8le sont souvent les plus co\u00fbteuses en temps et en ressources.<\/p>\n

    \n\"Aper\u00e7u<\/p>\n

    Cycle de vie d'un projet ML<\/i><\/p>\n

    <\/p>\n

    Ce projet n'est pas une exception \u2013 il a \u00e9t\u00e9 d\u00e9cid\u00e9 d'enrouler le pipeline d'\u00e9valuation dans un service en ligne, pour cela il a \u00e9t\u00e9 n\u00e9cessaire de plonger dans l'architecture. Les exigences de base suivantes ont \u00e9t\u00e9 formul\u00e9es :<\/p>\n

    <\/p>\n

      \n
    1. Un stockage central de logs \u2013 tous les services doivent \u00e9crire leurs logs au m\u00eame endroit, pour qu'ils soient faciles \u00e0 analyser<\/li>\n
    2. Possibilit\u00e9 de mise \u00e0 l'\u00e9chelle horizontale du service d'\u00e9valuation \u2013 comme le goulet d'\u00e9tranglement le plus probable<\/li>\n
    3. Une quantit\u00e9 \u00e9gale de ressources processeur doit \u00eatre allou\u00e9e \u00e0 l'\u00e9valuation de chaque image \u2013 pour \u00e9viter les \u00e9carts dans la distribution du temps d'inf\u00e9rence<\/li>\n
    4. D\u00e9ploiement rapide (ou redeploiement) \u00e0 la fois de services sp\u00e9cifiques et de l'ensemble de la pile<\/li>\n
    5. Possibilit\u00e9, si n\u00e9cessaire, d'utiliser des objets communs dans diff\u00e9rents services<\/li>\n<\/ol>\n

      <\/p>\n

      Architecture<\/h2>\n

      <\/p>\n

      Apr\u00e8s une analyse des exigences, il est devenu \u00e9vident que l'architecture microservices s'int\u00e8gre presque parfaitement.<\/p>\n

      <\/p>\n

      Pour \u00e9viter des maux de t\u00eate inutiles, le Telegram API a \u00e9t\u00e9 choisi comme front-end.<\/p>\n

      <\/p>\n

      Pour commencer, examinons le diagramme structurel de l'architecture pr\u00eate, puis nous passerons \u00e0 la description de chacun des composants et formaliserons le processus de traitement r\u00e9ussi de l'image.<\/p>\n

      \n\"Aper\u00e7u<\/p>\n

      Diagramme structurel de l'architecture pr\u00eate<\/i><\/p>\n

      <\/p>\n

      Parlons plus en d\u00e9tail de chacun des composants du diagramme, en pr\u00e9cisant leur responsabilit\u00e9 unique dans le processus d'\u00e9valuation de l'image.<\/p>\n

      <\/p>\n

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

      <\/p>\n

      Ce microservice encapsule toutes les interactions avec le Telegram API. On peut identifier 2 sc\u00e9narios principaux - traitement de l'image de l'utilisateur et traitement du r\u00e9sultat du pipeline d'\u00e9valuation. Examinons les deux sc\u00e9narios de mani\u00e8re g\u00e9n\u00e9rale.<\/p>\n

      <\/p>\n

      Lors de la r\u00e9ception d'un message utilisateur avec une image :<\/p>\n

      <\/p>\n

        \n
      1. Une filtration est effectu\u00e9e, compos\u00e9e des v\u00e9rifications suivantes :\n