C# Data Science Machine Learning

ML.Net – Modelos em Produção com WebApi e Docker

Olá pessoal neste artigo nós vamos realizar o Deploy de nosso modelo de previsão de preços das residências através de uma aplicação Web API do Net Core utilizando o Docker.

E para isso nós iremos utilizar o Modelo que criamos no artigo anterior (Análise Exploratória com ML.Net e Jupyter Notebook no Ubuntu). 


1. Caso não tenha visto os artigos anteriores:

  1. Introdução ao ML.Net com Jupyter Notebooks.
  2. Análise Exploratória com ML.Net e Jupyter Notebook no Ubuntu

2. WEB API

O Web API é um recurso do .NET Core que nos permite criar de uma forma rápida e fácil um serviço REST. Serviços WEB API não ficam restritos apenas a plataforma .NET. Eles podem também ser consumidos em outras plataformas.


3. Docker

Hoje o desenvolvimento de aplicativos requer muito mais do que escrever código. Temos múltiplas linguagens, frameworks, arquiteturas e ferramentas para cada estágio do ciclo de vida de uma aplicação criando assim uma enorme complexidade. O Docker vem para simplificar e acelerar o seu fluxo de trabalho porque ele fornece aos desenvolvedores a liberdade de inovar com sua escolha de ferramentas, pilhas de aplicativos e ambientes para a implantação de cada projeto.


4. Containers

Um container pode ser definido sob o ponto de vista técnico como uma unidade isolada para deploy de um projeto e de todas as suas dependências. Dentre as tecnologias baseadas neste conceito o Docker merece destaque por ser uma das opções da atualidade para a utilização de containers.

O deploy de softwares através de containers vem ganhando cada vez mais força, com as mais variadas tecnologias se adequando para suportar este tipo de prática. O isolamento de aplicações e um uso mais racional dos recursos estão entre as principais vantagens obtidas por meio da adoção dessas estruturas.


5. Configurar o Ambiente para Deploy de nossa Aplicação.

5.1. Baixar o Docker         

Aqui iremos baixar o Docker Desktop Stable 2.3.0.2 ou posterior.

5.1.1. Configurar o Docker para o Ambiente WSL (Ubuntu)

O WSL – Subsistema do Windows para Linux permite que os desenvolvedores executem um ambiente GNU/Linux, incluindo a maioria das ferramentas de linha de comando, utilitários e aplicativos, diretamente no Windows, sem modificações e sem a sobrecarga de uma máquina virtual tradicional ou da instalação em dualboot.

Execute os passos abaixo para configurar o ambiente:

  1. Inicie o Docker Desktop no menu Iniciar do Windows.
  2. No menu do Docker, selecione Configurações > Geral.
  3. Selecione a caixa de seleção: Usar mecanismo baseado em WSL 2.
  4. * Se você instalou o Docker Desktop em um sistema compatível com WSL 2, esta opção estará habilitada por padrão.
  5. Clique em Aplicar e reiniciar.

5.2. Postman

O Postman é uma ferramenta que dá suporte à execução de requisições feitas para APIs. Ele possui um ambiente para a documentação, execução de testes e requisições em geral.

Ao utilizá-lo, nós passamos a trabalhar de modo mais eficiente, construindo solicitações rapidamente com a possibilidade de guardá-las para uso posterior.

Aqui está o link para baixar o postman

5.3. VSCode

O VSCode – Visual Studio Code é um editor de código leve, multiplataforma, gratuito e open source. Ele é mantido pela Microsoft e conta com suporte a várias linguagens, extensões, integração com Git, debug e terminal integrado dentre outros recursos. 

5.3.1. Baixar o VSCode

Aqui iremos baixar o VSCode e instalar a sua extensão Remote – WSL:

5.4. CLI (interface de linha de comando) do .NET Core

A CLI (interface de linha de comando) do .NET Core é uma ferramenta da plataforma .Net para o desenvolvimento, criação, execução e publicação de aplicativos .NET Core. O CLI do .NET Core está foi incluído junto com o SDK do .NET Core.

5.4.1. dotnet new

O comando ‘dotnet new’ visa criar um novo projeto, arquivo de configuração ou solução com base no modelo especificado.

5.5. ML.NET.Templates 

O ML.NET.Templates é uma coleção de modelos ‘dotnet new’ para ML.NET. Ele adiciona três novos modelos: 

  • mlnet-training: Este template inicializa um aplicativo .NET Core do tipo console que pode ser utilizado para treinar um modelo ML.NET.
    • dotnet new mlnet-training –mlnetVersion 1.5.1
  • mlnet-training-mlops: Este template inicializa um aplicativo de console .NET Core que pode ser utilizado para treinar um modelo ML.NET. Este modelo inclui o suporte para MLOps.NET que oferece o suporte para rastrear o desempenho e o ciclo de vida de seus modelos. 
    • dotnet new mlnet-training-mlops –mlnetVersion 1.5.1 –mlopsnetVersion 1.1.0  
  • mlnet-web-embedded: Este template inicializa um aplicativo ASP.NET Core Web App com suporte para um modelo ML.NET incorporado e, para o Docker.
    • dotnet new mlnet-web-embedded –mlnetVersion 1.5.1

5.5.1. Baixar o ML.NET.Templates

Para baixar o ML.NET.Templates nós usamos o comando:

dotnet new –install ML.NET.Templates::0.3.0-beta 

Pronto! Configuramos todo o nosso ambiente e ele está pronto para que possamos fazer o deploy da aplicação.


6. Deploy de nossa Aplicação.

Neste momento iremos para o terminal do WSL para digitar os comandos necessários para criar a nossa aplicação:

  1. mkdir HousePrice_WebApi -> Cria a pasta para os arquivos
  2. cd HousePrice_WebApi -> Acessa a pasta dos arquivos
  3. dotnet new mlnet-web-embedded -> Gera o template contendo o projeto

Caso tudo tenha ocorrido com sucesso nós devemos ter uma mensagem semelhante a tela abaixo:

6.1. Abrir o VSCode

Agora vamos executar o VSCode digitando o comando: “code .”  no terminal.  Ao fazer isso pela primeira vez, você deve ver os componentes de busca do VS Code necessários para executar no WSL. Isso pode demorar um pouco e somente será necessário uma única vez.

Depois de um momento, uma nova janela do VS Code aparecerá e você verá uma notificação de que o VS Code está abrindo a pasta no WSL.

O VS Code agora continuará a se configurar em WSL e o manterá atualizado conforme faz seu progresso.

Quando terminar, você verá um indicador WSL no canto inferior esquerdo e poderá usar o VS Code normalmente!

Ao abrir o projeto pela primeira vez a tela abaixo será exibida, nós iremos clicar Yes para que sejam criados os assests do C# para que o VS Code possa compilar o projeto

6.2. Projeto de Teste

Agora vamos iniciar a construção da Web API para Deploy do nosso modelo para previsão dos preços das residências.

Neste momento nós devemos visualizar um painel semelhante a figura abaixo:

6.3. Modelo de Previsão

Agora vamos copiar o arquivo gerado em nosso artigo anterior, o arquivo model.zip. Ele deverá ser colocado na pasta raiz da solução, conforme a imagem abaixo:

6.4. Declarar as Classes de Dados

Neste momento na pasta ‘Schema’ serão declaradas duas classes uma classe para as entradas da previsão e outra classe para o resultado da previsão, serão as classes ModelInput ModelOutput.

public class ModelInput
{
    [LoadColumn(0)]
    public float Longitude {get; set;}
    [LoadColumn(1)]
    public float Latitude {get; set;}
    [LoadColumn(2)]
    public float Housing_median_age {get; set;}
    [LoadColumn(3)]
    public float Total_rooms {get; set;}
    [LoadColumn(4)]
    public float Total_bedrooms {get; set;}
    [LoadColumn(5)]
    public float Population {get; set;}
    [LoadColumn(6)]
    public float Households {get; set;}
    [public (7)]
    public float Median_income {get; set;}
    [ColumnName("Label"), LoadColumn(8)]
    public float Median_house_value {get; set;}
    [LoadColumn(9)]
    public string Ocean_proximity {get; set;}
}
public class ModelOutput
{
    [ColumnName("Score")]
    public float Score {get; set;}
}

6.5. PredictionController

Neste momento iremos configurar o PredictionController.  Na arquitetura MVC o Controller é o responsável por manipular a comunicação entre o modelo de dados, e os eventos da interface do usuário.

Agora vamos incluir o código abaixo para manipular o verbo HttpGet para disponibilizar uma sinalização indicando que aplicação está funcionando. Logo abaixo também foi criada uma rota direta para o método que chama a predição:

[HttpGet]
public string Get()        
{
       return "WebAPI de Predição";
}

        [HttpPost]
        [Route("predict")]
        public ModelOutput Predict(ModelInput modelInput)
        {
            return this.predictionEnginePool.Predict(modelInput);
        }

6.6. Testes da Aplicação

De uma forma bem simples a nossa aplicação Web está pronta para os testes então agora é a nossa hora da verdade…

6.6.1. Teste com o Cli dotnet

Para o nosso este teste inicial iremos utilizar o terminal integrado do VS Code e para isso vamos usar o bash do ambiente WSL, seguindo os passos detalhados logo abaixo:

  1. No menu de comandos iremos na opção Terminal -> New Terminal:
  1. Já com terminal aberto precisamos nos certificar que o tipo do terminal está com opção do bash escolhido:
  1. Agora vamos digitar o comando ‘dotnet run’. Caso tudo até aqui esteja correto veremos uma tela semelhante a figura abaixo:
  1. Agora vamos copiar o código da classe ModelInput para gerar a os parâmetros do Body da requisição post. E para isso vamos usar o serviço do site C#toJson:
  1. Vamos agora configurar a requisição no postman ela será do tipo post. Ela deverá ser configurada de forma semelhante a imagem abaixo:

*Nos arquivos do GitHub eu deixei uma coleção pronta para ser importada no postmam facilitando assim a sua configuração.

  1. Como pode ser visto acima a nossa API retornou o resultado de nossa predição.
  2. Após isso podemos encerrar a aplicação clicando no terminal e digitando ‘Ctrl+c’.

6.6.2. Teste com Docker

Agora nós vamos implantar a nossa API através de um container Docker. E após a implantação iremos realizar o consumo dela a partir de nosso container.  Para isso utilizaremos o arquivo dockerfile criado pelo nosso template ao gerar a nossa aplicação. 

Neste momento voltaremos ao terminal do WSL para digitar os comandos abaixo:

  1. Agora que já temos nosso código e um Dockerfile para construir e empacotar ele, vamos criar a imagem docker. 
    •  docker build -t  housepricemodel:1.0
  2. Seguimos neste momento com o teste da imagem gerada pelo do Docker:
    • docker container run -d –name appmodelohouseprice -p 5001:80 housepricemodel:1.0
  3. E neste momento voltamos ao postmam para testar a nossa requisição.

7. Código Fonte do Projeto

* O código destes exemplos podem ser encontrados no meu github


8. Conclusões

Então neste artigo nós vimos que é mais fácil do que parece realizar o deploy de nosso modelo. Seguindo o nosso passo a passo, vimos como publicar uma aplicação WEB API para as nossas soluções de Machine Learning. E aproveitamos para simplificar ainda mais o processo de deploy através do uso de Containers suportados pelo Docker sobre o ambiente WSL-Ubuntu.

Como nós já vimos foi criado um modelo para previsão de preços. Na sequência nós melhoramos este modelo através da realização de nossa Análise Exploratória e ao final demos vida ao modelo através de sua publicação como Web API.

Espero que todos estejam gostando até aqui. 

No nosso próximo artigo vamos conhecer o que é AutoML e como utilizá-lo em ML.Net.


Referências

Gostou? Compartilhe!

Você pode gostar:

Comentários: