Tree: 99168a7d14

10 kB

Raw Blame History

自然扰动样本生成serving

自然扰动样本生成serving

提供自然扰动样本生成在线服务。客户端传入图片和扰动参数，服务端返回扰动后的图片数据。

环境准备

硬件环境：Ascend 910，GPU

操作系统：Linux-x86_64

软件环境：

python 3.7.5或python 3.9.0
安装MindSpore 1.5.0可以参考MindSpore安装页面
安装MindSpore Serving 1.5.0可以参考MindSpore Serving 安装页面
安装serving分支的MindArmour:
- 从Gitee下载源码
  
  git clone https://gitee.com/mindspore/mindarmour.git
- 在源码根目录下，切换到serving分支
  
  cd mindarmour
  
  git checkout -b serving origin/serving
- 编译并安装MindArmour
  
  python setup.py install
安装Perlin-numpy:

pip3 install git+https://github.com/pvigier/perlin-numpy

文件结构说明

serving
├── server
│   ├── serving_server.py   # 启动serving服务脚本
│   ├── export_model
│   │   └── add_model.py    # 生成模型文件脚本
│   └── perturbation
│       └── serverable_config.py    # 服务端接收客户端数据后的处理脚本
└── client
    ├── serving_client.py   # 启动客户端脚本
    └── perturb_config.py   # 扰动方法配置文件

脚本说明及使用

导出模型

在server/export_model目录下，使用add_model.py，构造了一个只有Add算子的tensor加法网络。使用命令

python add_model.py

在perturbation模型文件夹下生成tensor_add.mindir模型文件。

该服务实际上并没有使用到模型，但目前版本的serving需要有一个模型，serving升级后这部分会删除。

部署Serving推理服务

`servable_config.py`说明。

···

# Path of template images
TEMPLATE_LEAF_PATH = '/root/mindarmour/example/test_data/template/leaf'
TEMPLATE_WINDOW_PATH = '/root/mindarmour/example/test_data/template/window'
TEMPLATE_PERSON_PATH = '/root/mindarmour/example/test_data/template/person'
TEMPLATE_BACKGROUND_PATH = '/root/mindarmour/example/test_data/template/dirt_background'

···

# 客户端可以请求的方法，包含4个返回值："results", "file_names", "file_length", "names_dict"

@register.register_method(output_names=["results", "file_names", "file_length", "names_dict"])
def natural_perturbation(img, perturb_config, methods_number, outputs_number):
    """method natural_perturbation data flow definition, only preprocessing and call model"""
    res = register.add_stage(perturb, img, perturb_config, methods_number, outputs_number, outputs_count=4)
    return res

方法natural_perturbation为对外提供服务的接口。

输入：

img：输入为图片，格式为bytes。
perturb_config：扰动配置项，具体配置参考perturb_config.py。
methods_number：每次扰动随机从配置项中选择方法的个数。
outputs_number：对于每张图片，生成的扰动图片数量。

输出res中包含4个参数：

results：拼接后的图像bytes；
file_names：图像名，格式为xxx.png，其中‘xxx’为A-Za-z中随机选择20个字符构成的字符串。
file_length：每张图片的bytes长度。

names_dict: 图片名和图片使用扰动方法构成的字典。格式为：

{
picture1.png: [[method1, parameters of method1], [method2, parameters of method2], ...]],
picture2.png: [[method3, parameters of method3], [method4, parameters of method4], ...]],
...
}

启动server服务前请将TEMPLATE_LEAF_PATH、TEMPLATE_WINDOW_PATH、TEMPLATE_PERSON_PATH、TEMPLATE_BACKGROUND_PATH的路径换成用户本地模板图片路径。

启动server。

···

def start():
    servable_dir = os.path.dirname(os.path.realpath(sys.argv[0]))
    # 服务配置
    servable_config = server.ServableStartConfig(servable_directory=servable_dir, servable_name="perturbation", device_ids=(0, 1), num_parallel_workers=4)
    # 启动服务
    server.start_servables(servable_configs=servable_config)

    # 启动启动gRPC服务，用于客户端和服务端之间通信
    server.start_grpc_server(address="0.0.0.0:5500", max_msg_mb_size=200)   # ip和最大的传输数据量，单位MB
    # 启动启动Restful服务，用于客户端和服务端之间通信
    server.start_restful_server(address="0.0.0.0:5500")

gRPC传输性能更好，Restful更适合用于web服务，根据需要选择。

执行命令python serverong_server.py启动服务。

当服务端打印日志Serving RESTful server start success, listening on 0.0.0.0:5500时，表示Serving RESTful服务启动成功，推理模型已成功加载。

客户端进行推理

在perturb_config.py中设置扰动方法及参数。下面是个例子：

PerturbConfig = [{"method": "Contrast", "params": {"alpha": 1.5, "beta": 0}},
                 {"method": "GaussianBlur", "params": {"ksize": 5}},
                 {"method": "SaltAndPepperNoise", "params": {"factor": 0.05}},
                 {"method": "Translate", "params": {"x_bias": 0.1, "y_bias": -0.2}},
                 {"method": "Scale", "params": {"factor_x": 0.7, "factor_y": 0.7}},
                 {"method": "Shear", "params": {"factor": 2, "director": "horizontal"}},
                 {"method": "Rotate", "params": {"angle": 40}},
                 {"method": "MotionBlur", "params": {"degree": 5, "angle": 45}},
                 {"method": "GradientBlur", "params": {"point": [50, 100], "kernel_num": 3, "center": True}},
                 {"method": "GradientLuminance",
                  "params": {"color_start": [255, 255, 255],
                             "color_end": [0, 0, 0],
                             "start_point": [100, 150], "scope": 0.3,
                             "bright_rate": 0.3, "pattern": "light",
                             "mode": "circle"}},
                 {"method": "Perlin", "params": {"ratio": 0.5, "shade": 0.1}},
                 {"method": "Curve", "params": {"curves": 10, "depth": 10,
                                                 "mode": "vertical"}},
                 {"method": "BackgroundWord", "params": {"shade": 0.1}},
                 {"method": "Perspective",
                  "params": {"ori_pos": [[0, 0], [0, 800], [800, 0], [800, 800]],
                             "dst_pos": [[50, 0], [0, 800], [780, 0], [800, 800]]}},
                 {"method": "BackShadow",
                 "params": {"back_type": 'leaf', "shade": 0.2}},
                ]

其中method为扰动方法名，params为对应方法的参数。可用的扰动方法及对应参数可在mindarmour/natural_robustness/natural_noise.py中查询。

其中，BackShadow方法的参数较为特别，在natural_noise.py中的参数为template_path，但是这里配置时需改为back_type，参数值取值范围：'leaf'、'window'、'person'、'background'。

在serving_client.py中写客户端的处理脚本，包含输入输出的处理、服务端的调用，可以参考下面的例子。

···

def perturb(perturb_config):
    """invoke servable perturbation method natural_perturbation"""

    # 请求的服务端ip及端口、请求的服务名、请求的方法名
    client = Client("10.175.122.87:5500", "perturbation", "natural_perturbation")

    # 输入数据
    instances = []
    img_path = '/root/mindarmour/example/adversarial/test_data/1.png'
    result_path = '/root/mindarmour/example/adv/result/'
    methods_number = 2
    outputs_number = 3
    img = cv2.imread(img_path)
    img = cv2.imencode('.png', img)[1].tobytes()    # 图片传输用bytes格式，不支持numpy.ndarray格式
    perturb_config = json.dumps(perturb_config) # 配置方法转成json格式
    instances.append({"img": img, 'perturb_config': perturb_config, "methods_number": methods_number,
                   "outputs_number": outputs_number})   # instances中可添加多个输入

    # 请求服务，返回结果
    result = client.infer(instances)

    # 对服务请求得到的结果进行处理，将返回的图片字节流存成图片
    file_names = result[0]['file_names'].split(';')
    length = result[0]['file_length'].tolist()
    before = 0
    for name, leng in zip(file_names, length):
        res_img = result[0]['results']
        res_img = res_img[before:before + leng]
        before = before + leng
        print('name: ', name)
        image = Image.open(BytesIO(res_img))
        image.save(os.path.join(result_path, name))

    names_dict = result[0]['names_dict']
    with open('names_dict.json', 'w') as file:
        file.write(names_dict)

启动client前，需将服务端的IP地址改成部署server的IP地址，图片路径、结果存储路基替换成用户数据路径。

目前serving数据传输支持的数据类型包括：python的int、float、bool、str、bytes，numpy number, numpy array object。

输入命令python serving_client.py开启客户端，如果对应目录下生成扰动样本图片则说明serving服务正确执行。

其他

在serving_logs目录下可以查看运行日志，辅助debug。

10 kB Raw Blame History