Неожиданная ошибка при загрузке модели: проблема в предикторе - ModuleNotFoundError: нет модуля с именем 'torchvision'

Я пытался развернуть свою модель на платформе AI для прогнозирования через консоль на моем экземпляре виртуальной машины, но у меня возникла ошибка "(gcloud.beta.ai-platform.versions.create) Ошибка создания версии. Плохая модель обнаружена с ошибкой: «Не удалось загрузить модель: непредвиденная ошибка при загрузке модели: проблема в предикторе - ModuleNotFoundError: нет модуля с именем 'torchvision' (код ошибки: 0)»

Мне нужно включить как torch, так и torchvision. Я выполнил шаги, указанные в этом вопросе Невозможно развернуть обученную модель в Google Cloud Ai-Platform с помощью настраиваемой процедуры прогнозирования: для модели требуется больше памяти, чем разрешено, но мне не удалось получить файлы, на которые указал пользователь gogasca. Я попытался загрузить это .whl с веб-сайта Pytorch и загрузил его в свое облачное хранилище, но получил ту же ошибку, что нет модуля torchvision, хотя эта версия должна включать как torch, так и torchvision. Также пробовали использовать здесь пакеты, совместимые с Cloud AI, но они этого не сделали. включить torchvision.

Я попытался указать два отдельных файла .whl для torch и torchvision в аргументах --package-uris, они указывают на файлы в моем облачном хранилище, но затем я получил ошибку, что объем памяти был превышен. Это странно, ведь в совокупности их размер составляет около 130 Мб. Пример моей команды, результатом которой стало отсутствие torchvision, выглядел так:

gcloud beta ai-platform versions create version_1 \
  --model online_pred_1 \
  --runtime-version 1.15 \
  --python-version 3.7 \
  --origin gs://BUCKET/model-dir \
  --package-uris gs://BUCKET/staging-dir/my_package-0.1.tar.gz,gs://BUCKET/torchvision-dir/torch-1.4.0+cpu-cp37-cp37m-linux_x86_64.whl \
  --prediction-class predictor.MyPredictor

Я пробовал указывать на различные комбинации файлов .whl, которые я получил из разных источников, но получил либо ошибку без модуля, либо недостаточно памяти. Я не понимаю, как модули взаимодействуют в этом случае и почему компилятор считает, что такого модуля нет. Как я могу это решить? Или, как вариант, как я могу сам скомпилировать пакет, включающий как torch, так и torchvision. Не могли бы вы дать подробные ответы, потому что я не очень хорошо знаком с управлением пакетами и сценариями bash.

Вот код, который я использовал, torch_model.py:

from torch import nn


class EthnicityClassifier44(nn.Module):
    def __init__(self, num_classes=2):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 32, kernel_size=7, stride=1, padding=3)
        self.maxpool1 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv22 = nn.Conv2d(32, 32, kernel_size=3, stride=1, padding=1)
        self.maxpool2 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv3 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
        self.maxpool3 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv4 = nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1)
        self.maxpool4 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.relu = nn.ReLU(inplace=False)
        self.fc1 = nn.Linear(8*8*128, 128)
        self.fc2 = nn.Linear(128, 128)
        self.fc4 = nn.Linear(128, num_classes)


    def forward(self, x):
        x = self.relu(self.conv1(x))
        x = self.maxpool1(x)
        x = self.relu(self.conv22(x))
        x = self.maxpool2(x)
        x = self.maxpool3(self.relu(self.conv3(x)))
        x = self.maxpool4(self.relu(self.conv4(x)))
        x = self.relu(self.fc1(x.view(x.shape[0], -1)))
        x = self.relu(self.fc2(x))
        x = self.fc4(x)
        return x

Это predictor_py:

from facenet_pytorch import MTCNN, InceptionResnetV1, extract_face
import torch
import torchvision
from torchvision import transforms
from torch.nn import functional as F
from PIL import Image
from sklearn.externals import joblib
import numpy as np
import os
import torch_model


class MyPredictor(object):

    import torch
    import torchvision

    def __init__(self, model, preprocessor, device):
        """Stores artifacts for prediction. Only initialized via `from_path`.
        """
        self._resnet = model
        self._mtcnn_mult = preprocessor
        self._device = device
        self.get_std_tensor = transforms.Compose([
            np.float32,
            np.uint8,
            transforms.ToTensor(),
        ])
        self.tensor2pil = transforms.ToPILImage(mode='RGB')
        self.trans_resnet = transforms.Compose([
            transforms.Resize((100, 100)),
            np.float32,
            transforms.ToTensor()
        ])

    def predict(self, instances, **kwargs):

        pil_transform = transforms.Resize((512, 512))

        imarr = np.asarray(instances)
        pil_im = Image.fromarray(imarr)
        image = pil_im.convert('RGB')
        pil_im_512 = pil_transform(image)

        boxes, _ = self._mtcnn_mult(pil_im_512)
        box = boxes[0]

        face_tensor = extract_face(pil_im_512, box, margin=40)
        std_tensor = self.get_std_tensor(face_tensor.permute(1, 2, 0))
        cropped_pil_im = self.tensor2pil(std_tensor)

        face_tensor = self.trans_resnet(cropped_pil_im)
        face_tensor4d = face_tensor.unsqueeze(0)
        face_tensor4d = face_tensor4d.to(self._device)

        prediction = self._resnet(face_tensor4d)
        preds = F.softmax(prediction, dim=1).detach().numpy().reshape(-1)
        print('probability of (class1, class2) = ({:.4f}, {:.4f})'.format(preds[0], preds[1]))

        return preds.tolist()

    @classmethod
    def from_path(cls, model_dir):
        import torch
        import torchvision
        import torch_model

        model_path = os.path.join(model_dir, 'class44_M40RefinedExtra_bin_no_norm_7860.joblib')
        classifier = joblib.load(model_path)

        mtcnn_path = os.path.join(model_dir, 'mtcnn_mult.joblib')
        mtcnn_mult = joblib.load(mtcnn_path)

        device_path = os.path.join(model_dir, 'device_cpu.joblib')
        device = joblib.load(device_path)

        return cls(classifier, mtcnn_mult, device)

И setup.py:

from setuptools import setup

REQUIRED_PACKAGES = ['opencv-python-headless', 'facenet-pytorch']

setup(
 name="my_package",
 version="0.1",
 include_package_data=True,
 scripts=["predictor.py", "torch_model.py"],
 install_requires=REQUIRED_PACKAGES
)