你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。
教程：在 Azure Functions 中使用 Python 和 TensorFlow 应用机器学习模型
本文介绍如何在机器学习模型中使用 Python、TensorFlow 和 Azure Functions，以根据图像内容对图像进行分类。 由于你是在本地完成所有操作，而不会在云中创建任何 Azure 资源，因此，完成本教程不会产生任何费用。
- 初始化用于在 Python 中开发 Azure Functions 的本地环境。
- 将自定义 TensorFlow 机器学习模型导入函数应用。
- 生成一个无服务器 HTTP API，用于分类包含狗或猫的图像。
- 从 Web 应用使用该 API。
先决条件
- 具有活动订阅的 Azure 帐户。 免费创建帐户。
- Python 3.7.4。 （Python 3.7.4 和 Python 3.6.x 已在 Azure Functions 中进行验证；目前尚不支持 Python 3.8 和更高版本。）
- Azure Functions Core Tools
- 代码编辑器，如 Visual Studio Code
先决条件检查
- 在终端或命令窗口中，运行
func --version检查 Azure Functions Core Tools 的版本是否为 2.7.1846 或以上。 - 运行
python --version(Linux/macOS) 或py --version(Windows)，检查报告的 Python 版本是否为 3.7.x。
克隆教程存储库
在终端或命令窗口中，使用 Git 克隆以下存储库：
git clone https://github.com/Azure-Samples/functions-python-tensorflow-tutorial.git导航到该文件夹并检查其内容。
cd functions-python-tensorflow-tutorial- start 是本教程的工作文件夹。
- end 是供你参考的最终结果和完整实现。
- resources 包含机器学习模型和帮助器库。
- frontend 是调用函数应用的网站。
创建并激活 Python 虚拟环境
导航到 start 文件夹，运行以下命令以创建并激活名为 .venv 的虚拟环境。 请务必使用受 Azure Functions 支持的 Python 3.7。
cd start
python -m venv .venv
source .venv/bin/activate
如果 Python 未在 Linux 分发版中安装 venv 包，请运行以下命令：
sudo apt-get install python3-venv
所有后续命令将在这个已激活的虚拟环境中运行。 （若要退出虚拟环境，请运行 deactivate。）
创建本地函数项目
在 Azure Functions 中，有一个函数项目是一个或多个单独函数（每个函数响应特定的触发器）的容器。 项目中的所有函数共享相同的本地和宿主配置。 在本部分中，你将创建一个函数项目，其中包含单个名为 classify 的、提供 HTTP 终结点的样板函数。 在稍后的部分，你将添加更具体的代码。
在 start 文件夹中，使用 Azure Functions Core Tools 初始化 Python 函数应用：
func init --worker-runtime python初始化后，start 文件夹包含项目的各个文件，其中包括名为 local.settings.json 和 host.json 的配置文件。 由于 local.settings.json 可以包含从 Azure 下载的机密，因此，默认情况下，该文件会从 .gitignore 文件的源代码管理中排除。
提示
由于函数项目绑定到特定的运行时，因此必须使用相同的语言编写项目中的所有函数。
使用以下命令将一个函数添加到项目，其中，
--name参数是该函数的唯一名称，--template参数指定该函数的触发器。func new创建一个与函数名称匹配的、包含项目所选语言适用的代码文件的子文件夹，以及一个名为 function.json 的配置文件。func new --name classify --template "HTTP trigger"此命令创建与函数名称匹配的文件夹 classify。 该文件夹中有两个文件：__init__.py，其中包含函数代码；function.json，描述函数的触发器及其输入和输出绑定。 若要详细了解这些文件的内容，请参阅 Python 开发人员指南中的编程模型。
在本地运行函数
通过启动 start 文件夹中的本地 Azure Functions 运行时主机来启动函数：
func start看到输出中显示了
classify终结点后，请导航到 URLhttp://localhost:7071/api/classify?name=Azure。 输出中应显示消息“Hello Azure!”。按 Ctrl-C 停止主机。
导入 TensorFlow 模型并添加帮助器代码
若要修改 classify 函数以根据图像内容对图像进行分类，请使用一个已通过 Azure 自定义视觉服务进行训练并已从中导出的预生成 TensorFlow 模型。 该模型已包含在前面克隆的示例的 resources 文件夹中，它可以根据图像是包含狗还是猫来分类图像。 然后，将一些帮助器代码和依赖项添加到项目。
若要使用自定义视觉服务的免费层生成自己的模型，请按照示例项目存储库中的说明操作。
提示
若要独立于函数应用托管 TensorFlow 模型，可以改将包含模型的文件共享装载到 Linux 函数应用。 若要了解详细信息，请参阅使用 Azure CLI 将文件共享装载到 Python 函数应用。
在 start 文件夹中，运行以下命令将模型文件复制到 classify 文件夹中。 请务必在命令中包含
\*。cp ../resources/model/* classify验证 classify 文件夹是否包含名为 model.pb 和 labels.txt 的文件。 如果不包含，请检查是否在 start 文件夹中运行了该命令。
在 start 文件夹中运行以下命令，将包含帮助器代码的文件复制到 classify 文件夹中：
cp ../resources/predict.py classify验证 classify 文件夹现在是否包含名为 predict.py 的文件。
在文本编辑器中打开 start/requirements.txt，添加帮助器代码所需的以下依赖项：
tensorflow==1.14 Pillow requests保存 requirements.txt。
在 start 文件夹中运行以下命令来安装依赖项。 安装可能需要几分钟时间，在此过程中，你可以转到下一部分来修改函数。
pip install --no-cache-dir -r requirements.txt在 Windows 上，可能会遇到“由于 EnvironmentError: [Errno 2]，无法安装包。没有此类文件或目录:”，后接类似于 sharded_mutable_dense_hashtable.cpython-37.pyc 的文件的长路径名。 通常，发生此错误的原因是文件夹路径的深度太长。 在这种情况下，请将注册表项
HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem@LongPathsEnabled设置为1，以启用长路径。 或者检查 Python 解释器的安装位置。 如果该位置的路径很长，请尝试在路径较短的文件夹中重新安装。
提示
在调用 predict.py 使其做出第一次预测时，名为 _initialize 的函数会从磁盘中加载 TensorFlow 模型，并将其缓存在全局变量中。 这种缓存可以提高后续预测的速度。 有关使用全局变量的详细信息，请参阅 Azure Functions Python 开发人员指南。
更新函数以运行预测
在文本编辑器中打开 classify/__init__.py，并在现有的
import语句后面添加以下行，以导入标准 JSON 库和 predict 帮助器：import logging import azure.functions as func import json # Import helper script from .predict import predict_image_from_url请将
main函数的整个内容替换为以下代码：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)此函数接收名为
img的查询字符串参数中的图像 URL。 然后，它从帮助器库调用predict_image_from_url，以使用 TensorFlow 模型下载并分类图像。 然后，该函数返回包含结果的 HTTP 响应。重要
由于此 HTTP 终结点是由另一个域中托管的网页调用的，因此响应包含
Access-Control-Allow-Origin标头，以满足浏览器的跨源资源共享 (CORS) 要求。在生产应用程序中，请将
*更改为网页的特定源，以提高安全性。保存更改，然后在假设依赖项已完成安装的条件下，再次使用
func start启动本地函数宿主。 请务必在已激活虚拟环境的情况下运行 start 文件夹中的宿主。 否则，宿主将会启动，但在调用函数时会出现错误。func start在浏览器中打开以下 URL，以使用猫图像的 URL 调用该函数，并确认返回的 JSON 是否将图像分类为猫。
http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.png让宿主保持运行，因为在下一步骤中需要使用它。
运行本地 Web 应用前端来测试函数
存储库的 frontend 文件夹中提供了一个简单的应用，让你从另一 Web 应用测试函数终结点的调用。
打开新的终端或命令提示符，并激活虚拟环境（根据前文的创建并激活 Python 虚拟环境中所述）。
导航到存储库的 frontend 文件夹。
使用 Python 启动一个 HTTP 服务器：
python -m http.server在浏览器中导航到
localhost:8000，然后在文本框中输入以下照片 URL 之一，或使用任何可公开访问的图像的 URL。https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.pnghttps://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat2.pnghttps://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/dog1.pnghttps://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/dog2.png
选择“提交”以调用函数终结点来对图像进行分类。
如果在提交图像 URL 时浏览器报告错误，请检查运行函数应用的终端。 如果出现类似于“找不到模块 'PIL'”的错误，原因可能是在 start 文件夹中启动了函数应用，但未事先激活先前创建的虚拟环境。 如果仍出现错误，请在已激活虚拟环境的情况下再次运行
pip install -r requirements.txt，并查看错误。
注意
无论图像是否包含猫或狗，模型都始终会将图像内容分类为猫或狗，默认分类为狗。 例如，老虎和豹子的图像通常分类为猫，而大象、胡萝卜或飞机的图像则分类为狗。
清理资源
由于整篇教程在计算机本地运行，因此没有任何 Azure 资源或服务需要清理。
后续步骤
在本教程中，你已了解如何使用 Azure Functions 生成和自定义 HTTP API 终结点，以使用 TensorFlow 模型分类图像。 此外，你还了解了如何从 Web 应用调用 API。 可以使用本教程中所述的方法生成具有不同复杂性的 API，所有这些 API 都可在 Azure Functions 提供的无服务器计算模型上运行。
另请参阅：