Sdílet prostřednictvím


Kurz: Použití modelů strojového učení ve službě Azure Functions pomocí Pythonu a TensorFlow

V tomto článku se dozvíte, jak pomocí Pythonu, TensorFlow a Azure Functions s modelem strojového učení klasifikovat obrázek na základě jeho obsahu. Vzhledem k tomu, že všechny úlohy provádíte místně a nevytváříte žádné prostředky Azure v cloudu, není potřeba tento kurz dokončit.

  • Inicializace místního prostředí pro vývoj Azure Functions v Pythonu
  • Naimportujte vlastní model strojového učení TensorFlow do aplikace funkcí.
  • Vytvořte bezserverové rozhraní HTTP API pro klasifikaci obrázku jako psa nebo kočky.
  • Využijete rozhraní API z webové aplikace.

Požadavky

Kontrola požadovaných součástí

  1. V terminálu nebo příkazovém okně spusťte kontrolu func --version , jestli jsou nástroje Azure Functions Core Tools verze 2.7.1846 nebo novější.
  2. Spusťte python --version (Linux/macOS) nebo py --version (Windows) a zkontrolujte sestavy verzí Pythonu 3.7.x.

Klonování úložiště kurzů

  1. V terminálu nebo příkazovém okně naklonujte pomocí Gitu následující úložiště:

    git clone https://github.com/Azure-Samples/functions-python-tensorflow-tutorial.git
    
  2. Přejděte do složky a prozkoumejte její obsah.

    cd functions-python-tensorflow-tutorial
    
    • start is your working folder for the tutorial.
    • end je konečný výsledek a úplná implementace vašeho odkazu.
    • prostředky obsahují model strojového učení a pomocné knihovny.
    • front-end je web, který volá aplikaci funkcí.

Vytvoření a aktivace virtuálního prostředí Pythonu

Přejděte do spouštěcí složky a spuštěním následujících příkazů vytvořte a aktivujte virtuální prostředí s názvem .venv. Nezapomeňte použít Python 3.7, který podporuje Azure Functions.

cd start
python -m venv .venv
source .venv/bin/activate

Pokud Python nenainstaloval balíček venv do distribuce Linuxu, spusťte následující příkaz:

sudo apt-get install python3-venv

V tomto aktivovaném virtuálním prostředí spustíte všechny následující příkazy. (Spuštěním příkazu .) ukončete deactivatevirtuální prostředí.

Vytvoření projektu místních funkcí

Ve službě Azure Functions je projekt funkcí kontejnerem pro jednu nebo více jednotlivých funkcí, které každá reaguje na konkrétní trigger. Všechny funkce v projektu sdílejí stejné místní a hostitelské konfigurace. V této části vytvoříte projekt funkce, který obsahuje jedinou častou funkci s názvem classify , která poskytuje koncový bod HTTP. Do další části přidáte konkrétnější kód.

  1. Ve složce Start použijte nástroje Azure Functions Core Tools k inicializaci aplikace funkcí Pythonu:

    func init --worker-runtime python
    

    Po inicializaci obsahuje spouštěcí složka různé soubory projektu, včetně konfiguračních souborů pojmenovaných local.settings.json a host.json. Protože local.settings.json může obsahovat tajné kódy stažené z Azure, soubor je ve výchozím nastavení vyloučen ze správy zdrojového kódu v souboru .gitignore .

    Tip

    Vzhledem k tomu, že projekt funkce je svázaný s konkrétním modulem runtime, musí být všechny funkce v projektu zapsány ve stejném jazyce.

  2. Přidejte do projektu funkci pomocí následujícího příkazu, kde --name argument je jedinečný název funkce a --template argument určuje aktivační událost funkce. func new vytvořte podsložku odpovídající názvu funkce, která obsahuje soubor kódu odpovídající zvolenému jazyku projektu a konfiguračnímu souboru s názvem function.json.

    func new --name classify --template "HTTP trigger"
    

    Tento příkaz vytvoří složku odpovídající názvu funkce, klasifikovat. V této složce jsou dva soubory: __init__.py, který obsahuje kód funkce, a function.json, který popisuje aktivační událost funkce a její vstupní a výstupní vazby. Podrobnosti o obsahu těchto souborů najdete v programovacím modelu v příručce pro vývojáře Pythonu.

Místní spuštění funkce

  1. Spusťte funkci spuštěním místního hostitele modulu runtime Azure Functions ve složce Start :

    func start
    
  2. Jakmile se classify koncový bod zobrazí ve výstupu, přejděte na adresu URL http://localhost:7071/api/classify?name=Azure. Ve výstupu by se měla zobrazit zpráva "Hello Azure!".

  3. K zastavení hostitele použijte klávesu Ctrl-C.

Import modelu TensorFlow a přidání pomocného kódu

Pokud chcete upravit classify funkci tak, aby klasifikovala obrázek na základě jejího obsahu, použijte předem vytvořený model TensorFlow, který byl natrénován a exportován ze služby Azure Custom Vision Service. Model, který je obsažen ve složce prostředků ukázky, kterou jste naklonovali dříve, klasifikuje obrázek na základě toho, jestli obsahuje psa nebo kočku. Potom do projektu přidáte nějaký pomocný kód a závislosti.

Pokud chcete vytvořit vlastní model pomocí úrovně Free služby Custom Vision, postupujte podle pokynů v úložišti ukázkových projektů.

Tip

Pokud chcete hostovat model TensorFlow nezávisle na aplikaci funkcí, můžete místo toho připojit sdílenou složku obsahující váš model k aplikaci funkcí pro Linux. Další informace najdete v tématu Připojení sdílené složky k aplikaci funkcí Pythonu pomocí Azure CLI.

  1. Ve složce Start spusťte následující příkaz, který zkopíruje soubory modelu do klasifikovat složky. Nezapomeňte do příkazu zahrnout \* .

    cp ../resources/model/* classify
    
  2. Ověřte, že složka klasifikace obsahuje soubory s názvem model.pb a labels.txt. Pokud ne, zkontrolujte, že jste příkaz spustili ve složce Start .

  3. Spuštěním následujícího příkazu ve složce Start zkopírujte soubor s pomocným kódem do složky klasifikace:

    cp ../resources/predict.py classify
    
  4. Ověřte, že složka klasifikace teď obsahuje soubor s názvem predict.py.

  5. Otevřete start/requirements.txt v textovém editoru a přidejte následující závislosti vyžadované pomocným kódem:

    tensorflow==1.14
    Pillow
    requests
    
  6. Uložte requirements.txt.

  7. Nainstalujte závislosti spuštěním následujícího příkazu ve složce Start . Instalace může trvat několik minut, během které můžete pokračovat v úpravě funkce v další části.

    pip install --no-cache-dir -r requirements.txt
    

    Ve Windows se může zobrazit chyba "Nepodařilo se nainstalovat balíčky kvůli chybě EnvironmentError: [Errno 2] Žádný takový soubor nebo adresář:" následovaný dlouhým názvem cesty k souboru, jako je sharded_mutable_dense_hashtable.cpython-37.pyc. K této chybě obvykle dochází, protože hloubka cesty ke složce je příliš dlouhá. V tomto případě nastavte klíč HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem@LongPathsEnabled registru tak, aby 1 povolil dlouhé cesty. Případně zkontrolujte, kde je váš interpret Pythonu nainstalovaný. Pokud má toto umístění dlouhou cestu, zkuste přeinstalovat složku s kratší cestou.

Tip

Při volání predict.py k vytvoření první předpovědi načte funkce s názvem _initialize TensorFlow model z disku a uloží ho do mezipaměti v globálních proměnných. Toto ukládání do mezipaměti urychlí následné předpovědi. Další informace o používání globálních proměnných najdete v příručce pro vývojáře v Pythonu pro Azure Functions.

Aktualizace funkce pro spouštění předpovědí

  1. Otevřete klasifikovat/__init__.py v textovém editoru a přidejte následující řádky za existující import příkazy pro import standardní knihovny JSON a pomocných rutin predikce :

    import logging
    import azure.functions as func
    import json
    
    # Import helper script
    from .predict import predict_image_from_url
    
  2. Celý obsah main funkce nahraďte následujícím kódem:

    def main(req: func.HttpRequest) -> func.HttpResponse:
        image_url = req.params.get('img')
        logging.info('Image URL received: ' + image_url)
    
        results = predict_image_from_url(image_url)
    
        headers = {
            "Content-type": "application/json",
            "Access-Control-Allow-Origin": "*"
        }
    
        return func.HttpResponse(json.dumps(results), headers = headers)
    

    Tato funkce obdrží adresu URL obrázku v parametru řetězce dotazu s názvem img. Potom volá predict_image_from_url z pomocné knihovny ke stažení a klasifikaci obrázku pomocí modelu TensorFlow. Funkce pak vrátí odpověď HTTP s výsledky.

    Důležité

    Vzhledem k tomu, že tento koncový bod HTTP je volán webovou stránkou hostovaným v jiné doméně, obsahuje odpověď hlavičku Access-Control-Allow-Origin , která splňuje požadavky prohlížeče na sdílení prostředků mezi zdroji (CORS).

    V produkční aplikaci přejděte * ke konkrétnímu původu webové stránky pro zvýšení zabezpečení.

  3. Uložte změny a za předpokladu, že instalace závislostí skončila, spusťte hostitele místní funkce znovu pomocí func start. Nezapomeňte spustit hostitele ve složce Start s aktivovaným virtuálním prostředím. Jinak se hostitel spustí, ale při vyvolání funkce se zobrazí chyby.

    func start
    
  4. V prohlížeči otevřete následující adresu URL pro vyvolání funkce s adresou URL obrázku kočky a potvrďte, že vrácený json klasifikuje obrázek jako kočku.

    http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.png
    
  5. Nechte hostitele spuštěný, protože ho použijete v dalším kroku.

Spuštěním front-endu místní webové aplikace otestujte funkci.

K otestování volání koncového bodu funkce z jiné webové aplikace je v front-endové složce úložiště jednoduchá aplikace.

  1. Otevřete nový terminál nebo příkazový řádek a aktivujte virtuální prostředí (jak je popsáno výše v části Vytvoření a aktivace virtuálního prostředí Pythonu).

  2. Přejděte do front-endové složky úložiště.

  3. Spusťte server HTTP pomocí Pythonu:

    python -m http.server
    
  4. V prohlížeči přejděte do localhost:8000textového pole a zadejte jednu z následujících adres URL fotek nebo použijte adresu URL libovolného veřejně přístupného obrázku.

    • https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.png
    • https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat2.png
    • https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/dog1.png
    • https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/dog2.png
  5. Výběrem možnosti Odeslat vyvoláte koncový bod funkce pro klasifikaci obrázku.

    Snímek obrazovky s hotovým projektem

    Pokud prohlížeč hlásí chybu při odeslání adresy URL obrázku, zkontrolujte terminál, ve kterém spouštíte aplikaci funkcí. Pokud se zobrazí chyba typu Žádný modul nenalezl PIL, možná jste spustili aplikaci funkcí ve složce Start bez první aktivace virtuálního prostředí, které jste vytvořili dříve. Pokud se vám stále zobrazují chyby, spusťte pip install -r requirements.txt znovu virtuální prostředí aktivované a vyhledejte chyby.

Poznámka:

Model vždy klasifikuje obsah obrázku jako kočku nebo psa, bez ohledu na to, zda obrázek obsahuje buď, výchozí nastavení psa. Obrázky tygrů a pantherů, například, obvykle klasifikují jako kočky, ale obrázky slonů, mrkve nebo letadla klasifikují jako pes.

Vyčištění prostředků

Vzhledem k tomu, že celý tento kurz běží místně na vašem počítači, nejsou k dispozici žádné prostředky Ani služby Azure, které by bylo potřeba vyčistit.

Další kroky

V tomto kurzu jste se naučili vytvářet a přizpůsobovat koncový bod rozhraní HTTP API pomocí služby Azure Functions ke klasifikaci obrázků pomocí modelu TensorFlow. Dozvěděli jste se také, jak volat rozhraní API z webové aplikace. Techniky v tomto kurzu můžete použít k sestavení rozhraní API jakékoli složitosti, a to vše při spouštění na bezserverovém výpočetním modelu poskytovaném službou Azure Functions.

Viz také: