在没有 gcloud 的情况下在生产中使用 CloudML 预测 API答案

【问题标题】：Using CloudML prediction API in production without gcloud在没有 gcloud 的情况下在生产中使用 CloudML 预测 API
【发布时间】：2016-12-01 18:16:26
【问题描述】：

在生产服务中使用 CloudML 预测 API 的最佳方式是什么？

我见过： https://cloud.google.com/ml/docs/quickstarts/prediction 但它依赖于 gcloud 工具

我正在寻找不依赖于在发出请求的机器上安装和初始化 gcloud 的解决方案。如果有适用于 GCP、AWS 和可能的其他云的解决方案，那就太好了。

谢谢

【问题讨论】：

标签： google-cloud-ml

【解决方案1】：

我将向您展示如何验证您的生产环境以使用 CloudML 在线预测。 CloudML 快速入门使用 gcloud 通过用户名、密码等对最终用户进行身份验证。gcloud 不能很好地扩展到具有 100 台机器启动和停止的环境。下面，我将引导您完成创建云服务帐户和生成私钥的步骤，以便您的生产实例向 Google 服务器标识自己。请参阅身份验证文档here。

这是你可以使用的食谱。

PROJECT=
MODEL_NAME=
SERVICE_ACCOUNT_PREFIX=cloud-ml-predict
SERVICE_ACCOUNT="${SERVICE_ACCOUNT_PREFIX}@${PROJECT}.iam.gserviceaccount.com"

这些步骤只需执行一次，就会为您创建一个服务帐户和私钥。

# Make a new service account
gcloud iam service-accounts create  ${SERVICE_ACCOUNT_PREFIX} \
  --display-name ${SERVICE_ACCOUNT_PREFIX}

# Provide correct role to service account permissions:
gcloud projects add-iam-policy-binding $PROJECT \
  --member "serviceAccount:$SERVICE_ACCOUNT" --role roles/viewer

# Create private key for the service account:
gcloud iam service-accounts keys create --iam-account \
  $SERVICE_ACCOUNT private_key.json

现在我们有了一个私钥（在private_key.json 中），我们可以从任何具有googleapiclient Python 库的机器上调用预测API。现在从任何有或没有gcloud 的机器上，您只需要包含以下几行即可通过 HTTP 访问 CloudML 预测服务

scopes = ['https://www.googleapis.com/auth/cloud-platform']
credentials = ServiceAccountCredentials.from_json_keyfile_name(key_filename, scopes=scopes)
ml_service = discovery.build('ml', 'v1beta1', credentials=credentials)

最后，这是一个工作示例，假设您有一个从 quickstarts 部署的 MNIST 模型。

cat > key_pair_cloud_ml_serve.py <<EOD
from googleapiclient import discovery
import json
from oauth2client.service_account import ServiceAccountCredentials
import sys

def get_mnist_prediction(ml_service, project, model_name, instance):
  parent = 'projects/{}/models/{}'.format(project, model_name)
  request_dict = {'instances': [json.loads(instance)]}

  request = ml_service.projects().predict(name=parent, body=request_dict)
  print request.execute()  # waits till request is returned

if __name__ == '__main__':
  usage_str = 'usage: python prog private_key.json MODEL_NAME data/predict*json'
  assert len(sys.argv) == 4, usage_str

  key_file = sys.argv[1]
  model_name = sys.argv[2]
  data_file = sys.argv[3]

  scopes = ['https://www.googleapis.com/auth/cloud-platform']
  credentials = ServiceAccountCredentials.from_json_keyfile_name(key_file,
scopes=scopes)
  ml_service = discovery.build('ml', 'v1beta1', credentials=credentials)
  with open(key_file) as ff:
    project = json.load(ff)['project_id']


  with open(data_file) as ff:
    for ii, instance in enumerate(ff):
      get_mnist_prediction(ml_service, project, model_name, instance)
EOD

在Cloud ML samples 的mnist/deployable 文件夹中，我们调用我们的代码...

python key_pair_cloud_ml_serve.py private_key.json \
  $MODEL_NAME data/predict_sample.tensor.json


{u'predictions': [{u'prediction': 5, u'key': 0, u'scores': [0.04025577753782272, 0.00042669562390074134, 0.005919951014220715, 0.4221051335334778, 2.2986243493505754e-05, 0.5084351897239685, 0.0007824163185432553, 0.01125132292509079, 0.008616944774985313, 0.0021835025399923325]}]}

瞧！我们使用了私钥，而无需使用 gcloud 进行身份验证或查询我们的预测模型！

【讨论】：

步骤gcloud iam service-accounts create ${SERVICE_ACCOUNT_PREFIX} \ --display-name ${SERVICE_ACCOUNT_PREFIX}中如何选择服务账号要关联的项目
安德鲁，我认为这不重要。拥有该模型的项目仍将被计费，并且仍然必须允许服务帐户访问（无论哪个项目拥有它）。拥有服务帐户的项目仅保留删除服务帐户的能力。