NLP 模型的产品化
作者：Pratik Bhavsar
编译：ronghuaiyang
导读: 模型训练只是产品化中的很小的一个环节。
问题描述 💰
最近，我一直在巩固在不同 ML 项目中工作的经验。我将从我最近的 NLP 项目的角度来讲述这个故事，对短语进行分类 — 一个多类单标签问题。
NLP 的 Central embedder 结构
团队结构 👪
搭建人工智能团队是相当棘手的。如果公司内部人员不具备这些技能，你就必须招聘。由于每个项目都有一个开始和结束时间，很难从头开始让整个团队都参与进来。幸运的是，项目需要的大多数的人我们都有，我们的小团队包括以下成员。
- 产品负责人(1) — 制定项目需求
- 项目经理(1) — 负责项目计划和技术问题
- 敏捷主管(1) — 确保敏捷执行并解决障碍
- 数据分析师(2) — 对领域知识进行迁移，并协助从各种数据存储收集数据
- 数据科学家(2) — 制定数据 pipelines，ML POC，软件工程和部署计划。设计和构建部署 pipelines、Python 软件工程、服务器规模、无服务器 pipelines 和再训练模型
数据 📊这是一个 NLP 项目，数据在 RDBMS 数据库中。坦率地说，我们很幸运，不需要做太多就能得到训练数据。查询所有权属于与我们一起工作的数据团队，而数据 pipeline 是由数据科学家创建的。
如果你没有训练数据，你可能必须遵循以下路线之一。
创建训练数据需要时间，最好有一个标注工具。如果你没有，你可以使用 Spacy team 的 prodi.gy 获取文本数据。
还有另一个开源工具 Doccano。
历史优化
当我们训练模型时，我们意识到我们可能不需要所有的数据，在我们的案例中，这些数据已经有 5 年了。我们尝试用不同数量的历史数据建模，发现 3 年足够了。
在不牺牲度量标准的前提下，尽可能少地使用历史可以让我们更快地训练模型，更好地学习最近的模式。
POC 👻
经过对经典和深度学习的多次迭代，我们决定采用(feature extractor + head)基于单词嵌入的方法来完成分类任务。
我们还必须处理数据中的不平衡，并尝试了许多技术。
- 偏采样和降采样
- 用 scikit-imblearn 进行过采样
- 用 scikit-imblearn 进行降采样
- model.fit 中的类别权重
度量 🙈
由于我们处理的是一个多类(~190)不平衡数据集，我们选择加权 f1 作为度量，因为它对少数类健壮且容易理解。
软件工程 👀
工程结构
text_classifier
│
├───notebooks
│ ├───classifier-a
│ ├───classifier-b
│ └───classifier-c
│ ├───data(common sample training data)
│ ├───preparation
│ ├───modelling
│ ├───evaluation
│ └───final
│
├───tc(acronym of text_classifier. contains core modules)
│ │ queries.py
│ │ base.py
│ │ preparation.py
│ │ models.py
│ │ train.py
│ │ postprocessing.py
│ │ predict.py
│ │ document_processing.py
│ │
│ ├───config
│ │ input_data_config.py
│ │ splunklog_config.py
│ │ training_config.py
│ │
│ ├───nlp
│ │ embeddings.py
│ │ preprocessors.py
│ │
│ └───utilities
│ helpers.py
│ loggers.py
│ metrics.py
│ plotting.py
│ preprocessors.py
│ aws.py
│ db_connectors.py
│ html.py
│
├───data
│ ├───classifier-a
│ ├───classifier-b
│ └───classifier-c
│
├───API
│ router.py
│ flask_app.py
│ request_handlers.py
│ inference.py
│
├───env
│ base.yaml
│ cpu.yaml
│ gpu.yaml
│ build.yaml
│
│
├───deployment
│ └───terraform
│
├───persistence
│
├───scripts
│
└───tests
为了让代码以结构化的方式发展，在一开始就设置好项目结构是非常重要的。我们花了很多时间，讨论了很多次才达成一致。看看这个，从基本的框架开始。
这就是我们训练 AWS EC2/local 模型和 AWS s3 上的备份代码、数据、模型和报告的方式。目录结构是由 prepare 和 train 类自动创建的。
data
└───region(we have models trained on many regions)
├───model-a(model for predicting a)
├───model-b(model for predicting b)
└───model-c(model for predicting c)
└───2019-08-01(model version as per date)
├───code.zip(codebase backup)
├───raw(fetched-data)
├───processed(training-data)
└───models
└───1(NN-architecture-type)
├───model.h5
├───encoders.pkl
└───reports
├───train_report.csv
├───test_report.csv
├───keras_train_history.csv
└───keras_test_history.csv
在进行 POCs 时，我们不知道哪些模块将成为最终解决方案的一部分，因此不太重视模块化或可重用性。但是一旦我们完成了 POC，我们应该将最终的代码合并到 notebooks 中，并将它们保存在**/notebook /final**中。我们有一个 notebook 用于数据准备步骤，另一个用于建模。
notebooks
└───classifier-a
├───data
├───preparation
├───modelling
├───evaluation
└───final
├───preparation.ipynb
└───modelling.ipynb
这些 notebooks 也成为了我们的展示材料。
继承/引用 ⏬
我们在写训练类的时候，考虑到了预测类会重用训练类。所以每次我们在预处理或编码步骤上做任何改变时，我们只需要在训练类上做。
推理类
我们的推理模块使用 predict 类，并对数据进行某些检查，以防止出现故障，比如空字符串。我们还将结果保存到一个中央 PostgreSQL 推理数据库中。
我们的路由器是一个简单的 flask 路由器对不同的模型有不同的方法。所有重要的异常都被捕获并与适当的消息一起返回。
推理数据库
我们保存所有的推理结果，以分析生产中的模型，如输入值，预测值，模型版本，模型类型，概率等。
我们的下一步是创建用于创建 ML 性能报告的 API。
设计模式 🐗
Singleton 模式来初始化嵌入，并为不同的模型使用相同的对象。这节省了 ec2 的内存使用。
工厂模式用不同的配置初始化模型训练类。
装饰模式
- 时间函数的装饰器，以了解哪些函数花费更多的时间。
- 一个装饰器，用于在 DB 查询失败时重试。这确保了数据的获取，并且不会使训练 pipeline 失败。
- 用于函数执行开始和结束的 Splunk 日志记录的装饰器。我们在 Splunk 和 AWS Cloudwatch 上保存日志。
扩展性 🌀
从一开始，我们就想开发代码库来使用它处理不同的数据。所以我们通过 configs 来参数化输入数据和模型超参数。
重构 🐵
在我们完成了这个项目之后，我们有了许多可以用于任何项目的公用工具。
内部开源
占项目总时间的百分比数字。这对于不同项目来说是不同的。
内部开源允许贡献者组成一个生态系统，为每个人开发和使用可重用组件。我们发现好的软件工程要比 POC 花费更多的时间。通过创建库，开发人员和数据科学家现在可以集中精力更快地开发和部署模型。
去掉 common utilities 还使得项目代码库更轻，更容易理解。
部署 🐙
AWS 基础设施
- S3
- EC2
- ECR
- ECS
- Cloudwatch
我们使用 Conda, Docker, Terraform, Jenkins, ECR, ALB 和 ECS 作为我们的部署 pipeline。
环境 🛠
经过大量的实验和讨论，我们选择通过 4 个 yml 配置来处理 windows/linux 上的所有 pip/conda 对 cpu/gpu 的 python 依赖。
- base.yml → 所有非深度学习包通过 pip 和 conda 安装
- cpu.yml → Tensorflow CPU 通过 pip 安装 (pip 不会安装 cuda toolkit 和 cuDNN，这样让我们的环境更轻)
- gpu.yml → Tensorflow gpu 通过 conda 安装 (conda 可以搞定 cuda toolkit 和 cudnn)
- build.yml → 其他服务需要的包通过 pip 和 conda 安装。我们使用 gunicorn 进行模型服务。gunicorn 在 windows 中不可用，我们将它安装在 Linux docker 环境中用于生产。
本地测试的环境
conda env create -f env/base.ymlconda env update -f env/cpu.yml
训练模型的 Docker/EC2 环境
conda env create -f env/base.ymlconda env update -f env/gpu.yml
模型服务的 Docker/EC2 环境 在 CPU 实例上 (通过 Docker 容器)
conda env create -f env/base.ymlconda env update -f env/cpu.ymlconda env update -f env/build.yml
每次我们开始使用一个新包时，我们都会手动将其添加到 yml 中。我们尝试了 pipreqs 和 conda export — no-builds 来自动导出包，但是发现很多依赖项和 package-build-info 也被导出，使得我们的环境看起来很脏。通过手动添加包，我们可以确定包的使用情况，也可以在 POC 之后删除一些未使用的包。
最初，我们使用 AllenNLP 来生成嵌入，并在我们的环境中添加了许多包。由于我们使用 Keras 进行建模，我们决定完全切换 tensorflow 生态系统，从 tensorflow-hub 获取模型。
负载测试 💥
最初，负载测试非常简单。通过使用 JMeter 测试负载情况，我们优化了这些参数的服务。
- ECS 中的任务的数量
- 任务中 gunicorn workers 的数量
- 每个 worker 的线程数
我们对自动扩容给出了一个很好的想法，它可以通过平均/最大 RAM 使用量、平均/最大 CPU 使用量和 API 调用的数量来触发。任何方法对我们都不起作用，因为我们不想浪费 EC2 的资源来为自动扩容保留空间。没有保留空间导致了需要创建 EC2，这需要时间。因为知道创建实例需要 1-5 分钟，所以所有请求都将转到现有的服务，而不会向部署在新 EC2 上的新任务发送任何内容。
我们也考虑过 AWS Fargate，但它比 EC2 贵两倍。
最后唯一有意义的是分配全部 CPU 和一半 RAM 给任务。自动扩容需要 RAM，所以我们保留空间用于部署更多的任务，但确保不会浪费 CPU，因为它是瓶颈。
我们选择 AWS t3 实例而不是 t2 作为其默认的 burstable 行为，这有助于我们使用累积的积分。
成本优化 🔥
缓存
您可能知道，与 word2vec 和 glove 这些固定的非上下文嵌入的词汇不同，像 ELMo 和 BERT 这样的语言模型是有上下文的，没有任何固定的词汇表。这样做的缺点是每次都需要通过模型计算这个词的嵌入。这给我们带来了相当大的麻烦，因为我们看到了模型处理导致的大量 CPU 峰值。
由于我们的文本短语的平均长度为 5，并且是有很多重复的，所以我们缓存了短语的嵌入以避免重新计算。我们的代码可以通过添加这个小方法我们得到了一个 20 x 加速 🏄。
#Earlier
language_model.get_sentence_embedding(sentence)
#Later
from cachetools import LRUCache, cached
@cached(cache=LRUCache(maxsize=10000))
def get_sentence_embedding(sentence):
return language_model.get_sentence_embedding(sentence)
缓存大小优化
因为 LRU(最近最少使用)缓存的时间复杂度是 O（log(n)），缓存越小越好。但我们也知道，我们想要尽可能多地缓存。所以越大越好。这意味着我们必须根据经验优化缓存的最大大小。我们发现 50000 是我们的甜蜜点。
修正负载测试方法
通过使用缓存，我们不能只使用几个测试样本，因为缓存会使它们不需要计算。因此，我们必须定义可变的测试用例，以模拟真实的文本样本。我们使用 python 脚本创建请求示例，并使用 JMeter 进行测试。
Central embedder 结构 💢
最后，当我们从 3 个模型扩展到 21 个模型时，我们必须考虑如何使其健壮且经济。语言模型是一个沉重的组成部分，而文本清洗和前馈头模型的计算比较轻。
由于语言模型对所有模型都是通用的，所以我们决定创建一个单独的服务供所有模型使用。这让我们减少了一个沉重的负担。
Central embedder 结构目前，我们也在考虑使用 AWS lambda 为模型提供服务，摆脱基础设施。
学习 😅
项目完成后，你真的希望有些事情做得更好，而有些事情根本就没做。我脑海中浮现出的几个建议是：
- Apache Airflow + Sagemaker — 对于完成的 scheduled pipelines Airflow 非常有用，Sagemaker 对于超参数调试有一个非常好用的层。
- 模型重训练 — 避免为项目生成标记数据，否则每次再训练模型时都必须创建它。你可以在工作流程中为训练模型创建标记数据。你可以了解如何保存原始/收集的数据，并编写脚本来创建训练数据，以便使用新数据对模型进行再训练。如果没有上述选项，你还可以利用半监督学习。
- 模型压缩 — 如果你的神经网络模型的延迟超过你的需求，你可以使用剪枝和量化使它们更快。
- 偏差检查 使用 MIT 的这框架
历史偏差 — 因为数据分布会随着时间而改变
表示偏差 — 当数据的某些部分没有得到充分表达时
度量偏差 — 当标签被用作真实标签的代理时
聚合偏差 — 当同一个模型用于不同的数据集时
评估偏差 — 当测试数据与真实世界的数据不匹配时
- 可解释性 — 使用像[eli5]这样的库来理解模型预测和偏差
eli5 如何解释 scikit pipeline 的预测
奖励 🍹
现在，我创建了一个清单，让自己保持在正确的轨道上。有时候在拥挤的人群中很容易迷失方向。
建模清单 📘
- 我们的模型度量和业务度量是什么？它们是相同的还是不同的？
- 更多的数据会改善度量标准吗？我们能得到更多的数据吗？
- 我们是否使用了 fp16 和多 gpu 来减少训练时间？我们是否优化了批大小并尝试了 one_cycle_fit 来减少训练时间？我们是用 Adam，Radam，ranger 还是新的优化器？
- 如果这个问题是通过深度学习解决的，我们是否已经尝试了足够多的经典方法？经典方法和 DL 在度量和推理时间上有什么不同？
- 模型是手动调优还是算法调优？我们需要超参调优层来进行再训练吗？数据是否随时间快速变化，目前的模型参数是否足够？
- 训练、验证和测试量度之间的区别是什么？
- 数据科学家和领域专家做过错误分析吗？
- 我们可以尝试一下解释性吗？我们试过错误的可解释性吗？
- 模型的错误中有模式吗？它可以用后处理层或一个新特征来解决吗？
- 在预测和客户端使用之后是否需要人工干预？如何还原呢？
部署清单 📗
- 我们是否用模型和编码器支持代码、数据和度量？
- 我们检查过缓存的机会吗？
- 我们是否根据流量定义了一个实际的负载测试吗？如果峰值负载似乎很少，我们是否可以设计为平均流量，并让失败的请求重试吗？
- 我们是用 flask，WSGI，uWSGI 还是 gunicorn 提供服务？
- 我们是否已经完成了缓存，workers 和线程的大小调整？(不要盲目听从 gunicorn 对 workers 的 2 n + 1 的建议，测试所有的经验值)
- 我们是否处理了请求中输入文本或数字字段的所有边界情况？
- 推理数据库中的字段是否与输入的数据保持一致吗？DB 推断错误会导致响应错误吗？
- 我们是否发送适当的消息/标志来响应来自客户端的调试错误？
- 我们应该部署在 CPU 还是 GPU 上吗？哪些组件需要 GPU 吗？
10、预测 pipeline 中的共性或瓶颈是什么？我们能把它们分离出来吗？
11、我们可以在一个 docker 镜像中保存所有的模型吗？(我们有 22 个人在 8 个不同的 ECS 上工作，我们想知道我们是否应该把他们都放到一个 ECS 上。这是灵活性，简单性和降低成本之间的权衡。)
12、我们可以使用无服务器部署吗？(我们每天，每周和每年的负载都是可变的，但流量适中，我们想知道如何利用 serverless。）
13、我们有模型回滚计划吗？
14、数据会随时间变化还是增加？是否需要对模型进行再训练？我们在整个项目计划中计划了吗？
15、代码和部署 pipeline 是否足够灵活，可以用最小的更改进行再训练吗？
16、你将如何分析模型在生产中的性能？报告生成的频率如何？
英文原文：https://medium.com/modern-nlp/productionizing-nlp-models-9a2b8a0c7d14
