Python Redis Queue (rq) - как избежать предварительной загрузки модели ML для каждого задания?

Question

Я хочу поставить в очередь свои прогнозы ml, используя rq. Пример кода (песо-иш):

predict.py:

import tensorflow as tf

def predict_stuff(foo):
    model = tf.load_model()
    result = model.predict(foo)
    return result

app.py:

from rq import Queue
from redis import Redis
from predict import predict_stuff

q = Queue(connection=Redis())
for foo in baz:
    job = q.enqueue(predict_stuff, foo)

worker.py:

import sys
from rq import Connection, Worker

# Preload libraries
import tensorflow as tf

with Connection():
    qs = sys.argv[1:] or ['default']

    w = Worker(qs)
    w.work()

Я прочитал rq docs, объясняющие, что вы можете предварительно загружать библиотеки, чтобы избежать их импорта при каждом запуске задания (поэтому в примере кода я импортирую тензорный поток в рабочий код). Однако я также хочу перенести загрузку модели из predict_stuff чтобы не загружать модель каждый раз, когда рабочий запускает работу. Как я могу пойти по этому поводу?

Answer 1

Я не уверен, может ли это чем-то помочь, но, следуя примеру здесь:

https://github.com/rq/rq/issues/720

Вместо совместного использования пула соединений вы можете поделиться моделью.

псевдокод:

import tensorflow as tf

from rq import Worker as _Worker
from rq.local import LocalStack

_model_stack = LocalStack()

def get_model():
    """Get Model."""
    m = _model_stack.top
    try:
        assert m
    except AssertionError:
        raise('Run outside of worker context')
    return m

class Worker(_Worker):
    """Worker Class."""

    def work(self, burst=False, logging_level='WARN'):
        """Work."""
        _model_stack.push(tf.load_model())
        return super().work(burst, logging_level)

def predict_stuff_job(foo):
    model = get_model()
    result = model.predict(foo)
    return result

Я использую нечто похожее на это для "глобальной" программы для чтения файлов, которую я написал. Загрузите экземпляр в LocalStack и попросите рабочих считывать данные из стека.

Answer 2

В конце концов, я не понял, как это сделать с помощью python-rq. Я переехал в сельдерей, где я сделал это так:

app.py

from tasks import predict_stuff

for foo in baz:
    task = transform_xml.delay(foo)

tasks.py

import tensorflow as tf
from celery import Celery
from celery.signals import worker_process_init

cel_app = Celery('tasks')
model = None

@worker_process_init.connect()
def on_worker_init(**_):
    global model
    model = tf.load_model()

@cel_app.task(name='predict_stuff')
def predict_stuff(foo):
    result = model.predict(foo)
    return result