{"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\/it\/blog\/administrirovanie\/obshhij-obzor-arhitektury-servisa-dlya-oczenki-vneshnosti-na-osnove-nejronnyh-setej","title":{"rendered":"Panoramica generale dell'architettura del servizio per la valutazione dell'aspetto basata su reti neurali","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Panoramica<\/p>\n

Introduzione<\/h2>\n

<\/p>\n

Ciao!<\/p>\n

<\/p>\n

In questo articolo condivider\u00f2 l'esperienza nella costruzione di un'architettura microservizi per un progetto che utilizza reti neurali.<\/p>\n

<\/p>\n

Parleremo dei requisiti per l'architettura, daremo un'occhiata ai diversi diagrammi strutturali, analizzeremo ciascuno dei componenti dell'architettura pronta e valuteremo le metriche tecniche della soluzione.<\/p>\n

<\/p>\n

Buona lettura!<\/p>\n

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

Qualche parola sul compito e la sua soluzione<\/h2>\n

<\/p>\n

L'idea principale \u00e8 quella di fornire una valutazione dell'attrattivit\u00e0 di una persona basata su una foto, utilizzando una scala da uno a dieci.<\/p>\n

<\/p>\n

In questo articolo ci allontaneremo dalla descrizione delle reti neurali utilizzate e del processo di preparazione dei dati e di addestramento. Tuttavia, in una delle prossime pubblicazioni, torneremo sicuramente ad analizzare il pipeline di valutazione a un livello pi\u00f9 approfondito.<\/p>\n

<\/p>\n

Ora percorreremo a livello alto il pipeline di valutazione, concentrandoci sull'interazione dei microservizi nel contesto dell'architettura generale del progetto.\u00a0<\/p>\n

<\/p>\n

Durante il lavoro sul pipeline di valutazione dell'attrattivit\u00e0, il compito \u00e8 stato scomposto nei seguenti componenti:<\/p>\n

<\/p>\n

    \n
  1. Identificazione dei volti nelle foto<\/li>\n
  2. Valutazione di ciascuno dei volti<\/li>\n
  3. Rendering del risultato<\/li>\n<\/ol>\n

    <\/p>\n

    Il primo viene risolto attraverso una rete pre-addestrata di MTCNN<\/a><\/noindex>. Per il secondo \u00e8 stata addestrata una rete neurale convoluzionale su PyTorch, utilizzando come backbone ResNet34<\/a><\/noindex> \u2013 dal bilancio \"qualit\u00e0 \/ velocit\u00e0 di inferenza su CPU\"<\/p>\n

    \n\"Panoramica<\/p>\n

    Diagramma funzionale del pipeline di valutazione<\/i><\/p>\n

    <\/p>\n

    Analisi dei requisiti per l'architettura del progetto<\/h2>\n

    <\/p>\n

    Nel ciclo di vita ML<\/a><\/noindex> di un progetto, le fasi di lavoro sull'architettura e sull'automazione del rilascio del modello sono spesso tra le pi\u00f9 dispendiose in termini di tempo e risorse.<\/p>\n

    \n\"Panoramica<\/p>\n

    Ciclo di vita di un progetto ML<\/i><\/p>\n

    <\/p>\n

    Questo progetto non fa eccezione: \u00e8 stata presa la decisione di racchiudere il pipeline di valutazione in un servizio online, per il quale \u00e8 stato necessario immergersi nell'architettura. Sono stati definiti i seguenti requisiti di base:<\/p>\n

    <\/p>\n

      \n
    1. Un'unica archiviazione dei log: tutti i servizi devono scrivere i log in un unico posto, con la possibilit\u00e0 di analizzarli facilmente.<\/li>\n
    2. Possibilit\u00e0 di scaling orizzontale del servizio di valutazione \u2014 come il pi\u00f9 probabile collo di bottiglia.<\/li>\n
    3. A ciascuna immagine deve essere allocato lo stesso numero di risorse della CPU \u2014 per evitare sbalzi nella distribuzione del tempo di inferenza.<\/li>\n
    4. Rilascio rapido (ripristino) sia di servizi specifici che dell'intero stack.<\/li>\n
    5. La possibilit\u00e0, se necessario, di utilizzare oggetti comuni in diversi servizi<\/li>\n<\/ol>\n

      <\/p>\n

      Architettura<\/h2>\n

      <\/p>\n

      Dopo aver analizzato i requisiti, \u00e8 diventato chiaro che l'architettura a microservizi si adatta praticamente perfettamente.<\/p>\n

      <\/p>\n

      Per evitare ulteriori grattacapi, \u00e8 stata scelta l'API di Telegram come front-end.<\/p>\n

      <\/p>\n

      Iniziamo esaminando il diagramma strutturale dell'architettura pronta, quindi passeremo alla descrizione di ciascun componente e formalizzeremo il processo di elaborazione delle immagini con successo.<\/p>\n

      \n\"Panoramica<\/p>\n

      Diagramma strutturale dell'architettura pronta<\/i><\/p>\n

      <\/p>\n

      Parliamo pi\u00f9 in dettaglio di ciascun componente del diagramma, evidenziando il loro Single Responsibility nel processo di valutazione dell'immagine.<\/p>\n

      <\/p>\n

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

      <\/p>\n

      Questo microservizio incapsula tutte le interazioni con l'API di Telegram. Si possono individuare 2 scenari principali: lavoro con l'immagine dell'utente e lavoro con il risultato del pipeline di valutazione. Analizzeremo entrambi gli scenari in modo generale.<\/p>\n

      <\/p>\n

      Quando si riceve un messaggio dall'utente contenente un'immagine:<\/p>\n

      <\/p>\n

        \n
      1. Viene eseguita una filtrazione, composta dai seguenti controlli:\n