{"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\/pt\/blog\/administrirovanie\/obshhij-obzor-arhitektury-servisa-dlya-oczenki-vneshnosti-na-osnove-nejronnyh-setej","title":{"rendered":"Vis\u00e3o geral da arquitetura do servi\u00e7o para avalia\u00e7\u00e3o de apar\u00eancia com base em redes neurais.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Vis\u00e3o<\/p>\n

Introdu\u00e7\u00e3o<\/h2>\n

<\/p>\n

Ol\u00e1!<\/p>\n

<\/p>\n

Neste artigo, compartilharei minha experi\u00eancia na constru\u00e7\u00e3o de uma arquitetura de microsservi\u00e7os para um projeto que utiliza redes neurais.<\/p>\n

<\/p>\n

Vamos discutir os requisitos da arquitetura, olhar diferentes Diagramas Estruturais, analisar cada um dos componentes da arquitetura pronta e tamb\u00e9m avaliar as m\u00e9tricas t\u00e9cnicas da solu\u00e7\u00e3o.<\/p>\n

<\/p>\n

Boa leitura!<\/p>\n

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

Um pouco sobre a tarefa e sua solu\u00e7\u00e3o<\/h2>\n

<\/p>\n

A ideia principal \u00e9 avaliar a atratividade de uma pessoa com base em uma foto, utilizando uma escala de dez pontos.<\/p>\n

<\/p>\n

Neste artigo, nos afastaremos da descri\u00e7\u00e3o das redes neurais utilizadas e do processo de prepara\u00e7\u00e3o de dados e treinamento. No entanto, em uma das pr\u00f3ximas publica\u00e7\u00f5es, certamente voltaremos \u00e0 an\u00e1lise do pipeline de avalia\u00e7\u00e3o em um n\u00edvel mais aprofundado.<\/p>\n

<\/p>\n

Agora, faremos uma vis\u00e3o geral do pipeline de avalia\u00e7\u00e3o, concentrando-nos na intera\u00e7\u00e3o dos microsservi\u00e7os no contexto da arquitetura geral do projeto.\u00a0<\/p>\n

<\/p>\n

Ao trabalhar no pipeline de avalia\u00e7\u00e3o de atratividade, a tarefa foi decomposta nas seguintes partes:<\/p>\n

<\/p>\n

    \n
  1. Detec\u00e7\u00e3o de rostos na foto<\/li>\n
  2. Avalia\u00e7\u00e3o de cada um dos rostos<\/li>\n
  3. Renderiza\u00e7\u00e3o do resultado<\/li>\n<\/ol>\n

    <\/p>\n

    A primeira \u00e9 resolvida com um modelo pr\u00e9-treinado de MTCNN<\/a><\/noindex>. Para a segunda, uma rede neural convolucional foi treinada no PyTorch, usando como backbone ResNet34<\/a><\/noindex> \u2013 equilibrando \"qualidade \/ velocidade de infer\u00eancia em CPU\"<\/p>\n

    \n\"Vis\u00e3o<\/p>\n

    Diagrama funcional do pipeline de avalia\u00e7\u00e3o<\/i><\/p>\n

    <\/p>\n

    An\u00e1lise dos requisitos da arquitetura do projeto<\/h2>\n

    <\/p>\n

    No ciclo de vida ML<\/a><\/noindex> do projeto, as etapas de trabalho na arquitetura e automatiza\u00e7\u00e3o do despliegue do modelo s\u00e3o muitas vezes as mais dispendiosas em tempo e recursos.<\/p>\n

    \n\"Vis\u00e3o<\/p>\n

    Ciclo de vida de um projeto de ML<\/i><\/p>\n

    <\/p>\n

    Este projeto n\u00e3o \u00e9 uma exce\u00e7\u00e3o - foi tomada a decis\u00e3o de encapsular o pipeline de avalia\u00e7\u00e3o em um servi\u00e7o online, para isso era necess\u00e1rio mergulhar na arquitetura. Foram definidos os seguintes requisitos b\u00e1sicos:<\/p>\n

    <\/p>\n

      \n
    1. Um reposit\u00f3rio unificado de logs \u2013 todos os servi\u00e7os devem registrar logs em um \u00fanico lugar, que deve ser f\u00e1cil de analisar.<\/li>\n
    2. Capacidade de escalabilidade horizontal do servi\u00e7o de avalia\u00e7\u00e3o \u2014 como o gargalo mais prov\u00e1vel.<\/li>\n
    3. Para cada imagem deve ser alocado o mesmo n\u00famero de recursos de CPU \u2014 para evitar outliers na distribui\u00e7\u00e3o do tempo de infer\u00eancia.<\/li>\n
    4. Desdobramento (re)r\u00e1pido tanto de servi\u00e7os espec\u00edficos quanto da pilha como um todo.<\/li>\n
    5. Possibilidade, se necess\u00e1rio, de utilizar objetos comuns em diferentes servi\u00e7os.<\/li>\n<\/ol>\n

      <\/p>\n

      Arquitetura<\/h2>\n

      <\/p>\n

      Ap\u00f3s a an\u00e1lise dos requisitos, ficou claro que a arquitetura de microsservi\u00e7os se encaixa praticamente perfeito.<\/p>\n

      <\/p>\n

      Para evitar problemas desnecess\u00e1rios, foi escolhido o Telegram API como frontend.<\/p>\n

      <\/p>\n

      Primeiro, vamos considerar o diagrama estrutural da arquitetura pronta; em seguida, passaremos para a descri\u00e7\u00e3o de cada um dos componentes e formalizaremos o processo de processamento bem-sucedido da imagem.<\/p>\n

      \n\"Vis\u00e3o<\/p>\n

      Diagrama estrutural da arquitetura pronta<\/i><\/p>\n

      <\/p>\n

      Vamos falar mais sobre cada um dos componentes do diagrama, destacando sua Responsabilidade \u00danica no processo de avalia\u00e7\u00e3o da imagem.<\/p>\n

      <\/p>\n

      Microsservi\u00e7o \u00abattrai-telegram-bot\u00bb<\/h3>\n

      <\/p>\n

      Este microsservi\u00e7o encapsula todas as intera\u00e7\u00f5es com o Telegram API. Podemos destacar 2 cen\u00e1rios principais \u2013 trabalhar com a imagem do usu\u00e1rio e trabalhar com o resultado do pipeline de avalia\u00e7\u00e3o. Vamos analisar ambos os cen\u00e1rios de forma geral.<\/p>\n

      <\/p>\n

      Ao receber a mensagem do usu\u00e1rio com a imagem:<\/p>\n

      <\/p>\n

        \n
      1. A filtragem \u00e9 realizada, consistindo nas seguintes verifica\u00e7\u00f5es:\n