{"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 valutare l'aspetto basato sulle 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

Discuteremo i requisiti architetturali, analizzeremo vari diagrammi strutturali, esamineremo ciascun componente dell'architettura gi\u00e0 pronta e valuteremo le metriche tecniche della soluzione.<\/p>\n

<\/p>\n

Buona lettura!<\/p>\n

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

Un paio di parole sul compito e sulla sua soluzione<\/h2>\n

<\/p>\n

L'idea principale \u00e8 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 non ci concentreremo sulla descrizione delle reti neurali utilizzate n\u00e9 sul processo di preparazione dei dati e dell'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 daremo un'occhiata al pipeline di valutazione a un livello alto, ponendo l'accento sull'interazione dei microservizi nel contesto dell'architettura generale del progetto.\u00a0<\/p>\n

<\/p>\n

Nell'affrontare il pipeline di valutazione dell'attrattivit\u00e0, il compito \u00e8 stato decomposto nei seguenti elementi:<\/p>\n

<\/p>\n

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

    <\/p>\n

    Il primo \u00e8 risolto da un modello pre-addestrato MTCNN<\/a><\/noindex>. Per il secondo \u00e8 stata addestrata una rete neurale convoluzionale su PyTorch, utilizzando come backbone ResNet34<\/a><\/noindex> \u2013 in bilanciamento tra \u00abqualit\u00e0 \/ velocit\u00e0 di inferenza su CPU\u00bb<\/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 Supporto ML<\/a><\/noindex> del progetto, le fasi di lavoro sulla progettazione e automazione del deployment del modello sono spesso le pi\u00f9 dispendiose in termini di tempo e risorse.<\/p>\n

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

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

    <\/p>\n

    Questo progetto non fa eccezione \u2013 \u00e8 stata presa la decisione di avvolgere il pipeline di valutazione in un servizio online, il che ha richiesto un'immersione nell'architettura. Sono stati definiti i seguenti requisiti di base:<\/p>\n

    <\/p>\n

      \n
    1. Un'unica repository dei log \u2013 tutti i servizi devono scrivere i log in un unico posto, rendendo facile l'analisi<\/li>\n
    2. Possibilit\u00e0 di scalabilit\u00e0 orizzontale del servizio di valutazione \u2014 come il possibile colosso Bottleneck<\/li>\n
    3. A ciascuna immagine deve essere dedicata la stessa quantit\u00e0 di risorse del processore \u2014 per evitare outlier nella distribuzione dei tempi di inferenza<\/li>\n
    4. Velocit\u00e0 di (ri)distribuzione sia di servizi specifici che dell'intero stack<\/li>\n
    5. Possibilit\u00e0 di utilizzare oggetti comuni in diversi servizi, se necessario<\/li>\n<\/ol>\n

      <\/p>\n

      Architettura<\/h2>\n

      <\/p>\n

      Dall'analisi dei requisiti, \u00e8 diventato chiaro che l'architettura a microservizi si adatta praticamente alla perfezione.<\/p>\n

      <\/p>\n

      Per eliminare il fastidio, \u00e8 stato scelto Telegram API come frontend.<\/p>\n

      <\/p>\n

      Iniziamo esaminando il diagramma strutturale dell'architettura pronta, quindi passeremo alla descrizione di ciascun componente e formuleremo il processo per una corretta elaborazione dell'immagine.<\/p>\n

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

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

      <\/p>\n

      Parliamo pi\u00f9 nel dettaglio di ciascun componente del diagramma e definiamo la loro Responsabilit\u00e0 Singola 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 Telegram API. Si possono distinguere due scenari principali: elaborazione dell'immagine dell'utente e gestione dei risultati della pipeline di valutazione. Analizziamo entrambi gli scenari in modo generale.<\/p>\n

      <\/p>\n

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

      <\/p>\n

        \n
      1. Si esegue un filtraggio che consiste nelle seguenti verifiche:\n