AWS 专家教你使用 Spring Boot 和 DJL ，轻松搭建企业级机器学习微服务！

作者 | Qing Lan，Mikhail Shapirov

责编 | Carol

封图 | CSDN 下载自视觉中国

出品 | CSDN云计算（ID：CSDNcloud）

许多AWS云服务的用户，无论是初创企业还是大公司，都在逐步将机器学习 (ML) 和深度学习 (DL) 任务搭载在他们已有产品之上。大量的机器学习任务应用在商业和工业领域，例如应用在图像和视频中的目标检测，文档中的情感分析，大数据中的欺诈识别。

尽管机器学习应用广泛应用在其他语言中（例如Python），但是对于广大已有产品的开发者学习和集成成本依然很高。试想一下，如果要用另一种语言集成在已有的Java服务中，从写代码，编译，测试到最后部署都要做出大量改变。

为了解决用户在这方面上的痛点，本文将提出一种解决问题的新思路： 用户无需对已有的资源和人员重新调配，可以直接部署机器学习应用在现有的服务中。

Spring Boot在生产环境中的应用

Spring Boot是一个在微服务领域中广泛应用的开源平台。它的主要特色就是简化了分布式系统分发管理应用的过程。但是就目前来看，用户可选的部署ML应用方案屈指可数。就拿推理应用来说，用户可以通过使用Stock API 创建一个基于C++或者Python应用的RPC API来实现不同语言的推理任务。

尽管这个解决方案可以在最短时间内解决部署的燃眉之急，但是从长期运行的效果来看，它造成了大量的维护成本以及效率问题。单纯就RPC通信这一方面来说，可能仅仅通信的时间消耗就已经达到了推理的时间消耗，造成这个解决方案成为整体应用速度提升的瓶颈。

AWS云服务推出了基于深度学习的开源Java库https://djl.ai/。主要是为了简化昂贵且繁琐的开发流程。

这篇文章会从一个基本的Spring boot 应用出发，利用DJL，来集成机器学习应用在微服务中。 仅通过几行代码，就可以轻松实现目标检测和图像分类任务。

配置 Spring Boot Starter (SBS)

Spring Boot Starter 是一个一站式的Spring库管理工具。 它简化了诸多引用新的库需要进行的操作，比 如复制粘贴样本代码，修改配置文件等。请参考Spring Boot Starter官方指南以获取更多 信息。

在本文，我们将使用DJL Spring Boot Starter, 一个增加了深度学习部署功能的SBS。在现有架构的基础上，DJL SBS增添了自动配置的功能。它使得用户无需担心依赖项，几行代码就可以将它们作为beans应用在Spring框架下。如果后面有任何一步不是很清楚，可以参考我们示例应用。

DJL Spring Boot Starter： https://github.com/awslabs/djl-spring-boot-starter

自动配置： https://docs.spring.io/spring-boot/docs/current/reference/html/spring-boot-features.html#boot-features-developing-auto-configuration

示例应用： https://github.com/awslabs/djl-spring-boot-starter/tree/master/djl-spring-boot-console-sample

1、依赖项管理

DJL库可以应用在各种操作系统平台上，也同时支持多种深度学习引擎，比如TensorFlow 2.0, PyTorch以及MXNet。DJL内建了一系列自动选择机制，用户无需选择运行的操作系统。但是DJL仍旧需要用户选择一种或多种深度学习引擎。以MXNet 为例，用户可以选择进行如下的配置 (pom.xml):

  spring-boot-starter-parent
  org.springframework.boot
  2.2.6.RELEASE



  11 
  5.3.0 
 


  ai.djl.spring
  djl-spring-boot-starter-mxnet-linux-x86_64
  ${djl.starter.version} 

用户可以自己选择需要运行的平台，上面  中， linux-x86_64 (Linux) 可以被替换为 win-x86_64 (Windows), 或者 osx-x86_64 (Mac OS)。我们也提供了一种在运行时自动寻找相应系统的全自动依赖项 auto：

  ai.djl.spring
  djl-spring-boot-starter-mxnet-auto
  ${djl.starter.version} 

如果需要使用PyTorch，可以做出如下更改:

  ai.djl.spring
  djl-spring-boot-starter-pytorch-auto
  ${djl.starter.version} 

Gradle的配置也十分相似，只需要如下几行:

plugins {
  ...
  id("org.springframework.boot")
}
repositories {
  mavenCentral() // 发布的包在maven central
}

dependencies {
  implementation("ai.djl.spring:djl-spring-boot-starter-mxnet-auto:0.2")
}

注意，由于SpringBoot本身使用了一个旧版的JNA库，我们需要手动设置gradle.properties 里面的”jna.version=5.3.0″。

2、使用 Spring 全自动选择功能

接下来，我们可以通过添加如下依赖项来使用 Spring的 auto-configuration 来实现自动选择功能:

  ai.djl.spring
  djl-spring-boot-starter-autoconfigure
  ${djl.starter.version}

在gradle:

dependencies {
  implementation("ai.djl.spring:djl-spring-boot-starter-autoconfigure:${djl.starter.version}")
}

导入这个dependency之后，Spring Boot 会自动配置环境和寻找模型。开发者需要提供一个标准的Spring 配置文件，如 application.yml 或者 application.properties。模型的类型可以选择下面任意一个：

  QUESTION_ANSWER(NLP.QUESTION_ANSWER),
  TEXT_CLASSIFICATION(NLP.TEXT_CLASSIFICATION),
  IMAGE_CLASSIFICATION(CV.IMAGE_CLASSIFICATION),
  OBJECT_DETECTION(CV.OBJECT_DETECTION),
  ACTION_RECOGNITION(CV.ACTION_RECOGNITION),
  INSTANCE_SEGMENTATION(CV.INSTANCE_SEGMENTATION),
  POSE_ESTIMATION(CV.POSE_ESTIMATION),
  SEMANTIC_SEGMENTATION(CV.SEMANTIC_SEGMENTATION);

比如，如果想进行目标检测，那么就可以选择 OBJECT_DETECTION。可以参考下面的 yaml 来配置：

djl:
    # 设定应用种类
    application-type: OBJECT_DETECTION
    # 设定输入数据格式, 有的模型支持多种数据格式
    input-class: java.awt.image.BufferedImage
    # 设定输出数据格式
    output-class: ai.djl.modality.cv.output.DetectedObjects
    # 设定一个筛选器来筛选你的模型
    model-filter:
      size: 512
      backbone: mobilenet1.0
    # 覆写已有的输入输出配置
    arguments:
      threshold: 0.5 # 只展示预测结果大于等于 0.5

3、IDE 支持

推荐用户使用IDE，如intelliJ或者Eclipse：Image URL: 

https://github.com/awslabs/djl-spring-boot-starter-demo/raw/master/docs/media/djl-start-ide-support-low-frame-30s.gif

intelliJ可以通过Ctrl+Space 来自动完成Ctrl+J 来快速查询文档

运行你的应用

现在我们赶紧试试看之前配置的效果吧。从现在开始，我们只需要两步就可以完成所有的模型部署运行任务。在此之前，开发者只需要创建一个简单的单一类Spring应用即可。

第一步：注入 predictor 用来做目标检测

 @Resource 
 private Supplier predictorProvider;

第二步: 运行目标检测

try (var predictor = predictorProvider.get()) {
    var results = predictor.predict(ImageIO.read(this.getClass()
          .getResourceAsStream("/puppy-in-white-and-red-polka.jpg")));

    for(var result : results.items()) {
        LOG.info("results: {}", result.toString());
    }
}

如果你使用了我们的示例，那么在console会显示如下结果:

a.d.s.e.console.ConsoleApplication: results: class: "dog", probability: 0.90820, bounds: {x=0.487, y=0.057, width=0.425, height=0.484}

快速复现

只需如下几行，便可以轻松运行这个示例应用

git clone git@github.com:awslabs/djl-spring-boot-starter.git
cd djl-spring-boot-starter/djl-spring-boot-console-sample 
../mvnw package 
../mvnw spring-boot:run

我们也提供了一个更复杂的例子，你可以使用多种插件，快速实现一个Restful的分类器微服务。

https://github.com/awslabs/djl-spring-boot-starter-demo/tree/master/djl-spring-boot-app/

了解  DJL

DJL是AWS云服务在2019年re:Invent大会推出的专为Java开发者量身定制的深度学习框架，现已运行在亚马逊数以百万的推理任务中。

DJL的主要特色：

1、DJL不设限制于后端引擎： 用户可以轻松的使用 MXNet, PyTorch, TensorFlow和fastText来在Java上做模型训练和推理。

2、DJL的算子设计无限趋近于numpy： 它的使用体验上和numpy基本是无缝的，切换引擎也不会造成结果改变。

3、DJL优秀的内存管理以及效率机制： DJL拥有自己的资源回收机制，100个小时连续推理也不会内存溢出。

现在可以在 Mac/Linux/Windows全平台运行DJL。DJL具有自检测CUDA版本的功能，也会自动采用对应的CUDA版本包来运行gpu任务。想了解更多，请参见下面几个链接，也可以加入 DJL slack论坛。

https://djl.ai

https://github.com/awslabs/djl

作者简介：

Qing Lan, AWS AI 软件开发工程师 。DJL深度学习框架作者之一，Apache软件基金会项目管理委员会成员。

Mikhail Shapirov , AWS 资深解决方案架构师 ，专注于容器类服务。拥有20年软件开发经验，也是开源社区的积极贡献者。

推荐阅读

• 手把手教你配置VS Code 远程开发工具，工作效率提升N倍

• 用大白话彻底搞懂 HBase RowKey 详细设计

• 后端程序员必备：书写高质量SQL的30条建议

• Go 远超 Python，机器学习人才极度稀缺，全球 16,655 位程序员告诉你这些真相！

• 任正非谈“狼文化”：华为没有 996，更没有 007

• 区块链必读“上链”哲学：“胖链下”与“瘦链上”

• 在商业中，如何与人工智能建立共生关系？

真香，朕在看了！