¿Cómo crear un Clasificador de texto Python como Cloud Function?
Lectura previa: https://onesaitplatform.atlassian.net/wiki/spaces/DOC/pages/2283668527
En este post vamos a ver un ejemplo de cómo migrar una aplicación Flask a una Cloud Function.
Se trata de un clasificador con una serie de modelos pre-entrenados que expone un endpoint REST para predecir una clasificación en base a un texto.
Estructura del código
La estructura del código es la siguiente:
El main está contenido en el fichero application.py, donde se levanta la aplicación flask y se declara el endpoint “/predict”.
#!/usr/bin/env python
# coding: utf-8
# # Imports
from flask import Flask, request, Response
import numpy as np
import pandas as pd
import pickle
import json
import base64
# # Carga de modelos
from model import load_model, predict
primario_model, primario_vectorizer, primario_encoder = load_model()
# Instanciamos una aplicación flask
app = Flask(__name__)
# Definimos las rutas donde vamos a trabajar
APP_PATH = app.root_path
@app.route('/predict', methods=['POST'])
def predict_post():
if request.method == 'POST':
result = {}
request_data = request.data.decode('latin1')
request_data = json.loads(request_data, strict=False)
content_str = request_data.get('text', '')
base64_content = request_data.get('base64', False)
if base64_content:
content_str = base64.b64decode(content_str)
if content_str:
result = predict(content_str, primario_model, primario_vectorizer, primario_encoder)
return Response( json.dumps(result), mimetype='application/json')
# Función principal que arranca el servicio
if __name__ == '__main__':
app.run(host='localhost', port=8000, debug = False)
Este será el código que tendremos que adaptar para poder desplegar la aplicación Flask como una función. El resto de pickles y componentes de la aplicación irán empaquetados en la función, por lo que serán accesibles por el main sin necesidad de modificar nada.
Adaptación del main
Siguiendo la documentación oficial del repositorio adaptaremos la clase principal para poder desplegarla como función.
Tendremos que crear una nueva clase “func.py” (el nombre no importa, pero más adelante lo tendremos que anotar en el Dockerfile).
Esta clase debería ser idéntica a “application.py” con la salvedad de que no usaremos Flask, y por tanto esas dependencias las podremos quitar. En su lugar, leeremos los datos de entrada a través de un método “handler” que expone la API FDK de python.
def handler(ctx, data: io.BytesIO = None):
En las últimas versiones de la API FDK, data pasa a ser un array de bytes en vez de un string, por lo que aumenta la flexibilidad para decodificar contenido de entrada (p.e. codificaciones no UTF-8).
En este método irá el contenido del método predict_post() original, con las adaptaciones para leer los datos de la variable “data”, y devolviendo una respuesta con la API del FDK en vez de la de Flask.
# # Imports
import io
import json
import logging
import numpy as np
import pandas as pd
import pickle
import base64
from fdk import response
# # Carga de modelos
from model import load_model, predict
primario_model, primario_vectorizer, primario_encoder = load_model()
def handler(ctx, data: io.BytesIO = None):
result = {}
byte_str = data.read()
request_data = byte_str.decode('latin1')
request_data = json.loads(request_data, strict=False)
content_str = request_data.get('text', '')
base64_content = request_data.get('base64', False)
if base64_content:
content_str = base64.b64decode(content_str)
if content_str:
result = predict(content_str, primario_model, primario_vectorizer, primario_encoder)
return response.Response(ctx, response_data=json.dumps(result),headers={"Content-Type": "application/json"})
Yaml de la function
El siguiente paso será crear un descriptor Yaml para que lo procese Fn a la hora de generar y desplegar la función.
En este yaml además deberemos definir el endpoint que queramos para poder invocar la función.
En función de la memoria requerida (estimada) podemos querer cambiar el límite (“limit”) de “memory”.
Dockerfile de la function
Por último necesitaremos definir un Dockerfile para desplegar a la “function”. Este Dockerfile lo da de forma genérica la documentación de Fn.
Podremos modificar el Dockerfile genérico para elegir la versión de Python que queramos además de poder instalar dependencias o librerías custom.
En este caso hemos utilizado la versión 3.7, que era compatible con las versiones declaradas de las dependencias.
Como podemos ver, la instalaciones de dependencias Python, las coge del fichero requirements.txt, por lo que es importante que este fichero tenga la dependencia del fdk.
También se puede ver que la única línea extra añadida al Dockerfile genérico es la que está comentada:
Esto es debido a que se necesita instalar esta librería en primer lugar antes que el resto.
Crear la function en plataforma
Repositorio Git
Para poder crear la función y desplegarla en plataforma, necesitaremos subir el código a un repositorio Git.
Crear la aplicación
Con el código Git subido, crearemos la aplicación serverless en plataforma (revisar la guía anterior para estos pasos).
Crear la function
Por último, crearemos la función indicando el nombre y el path al “func.yaml”, teniendo en cuenta que la estructura del repositorio es la siguiente:
Desplegar la function
Una vez definida la función dentro de la aplicación, la desplegaremos.
Testear la function
Por último, probaremos la función desplegada a través del endpoint definido:
La primera vez que se invoque la función, tardará bastante como en la captura anterior (4,52 segundos), pero las subsecuentes llamadas serán muy rápidas: