الدرس: تطبيق نماذج التعلم الآلي في Azure Functions باستخدام Python و TensorFlow

في هذا المقال، ستتعلم كيفية استخدام Python وTensorFlow وAzure Functions مع نموذج تعلم آلي لتصنيف صورة بناء على محتواها. لأنك تقوم بكل العمل محليا ولا تنشئ موارد Azure في السحابة، فلا توجد تكلفة لإكمال هذا الدرس.

• تهيئة بيئة محلية لتطوير Azure Functions في Python.
• استرداد نموذج التعلم الآلي المخصص في TensorFlow إلى تطبيق الدالة.
• إنشاء واجهة برمجة تطبيقات بروتوكول نقل النص الفائق بلا خادم لتصنيف صورة ما على أنها تحتوي على كلب أو قطة.
• استخدام واجهة برمجة التطبيقات من تطبيق ويب.

المتطلبات الأساسية

• حساب Azure مع اشتراك نشط. أنشئ حسابا مجانا.
• Python 3.7.4. (تم التحقق من Python 3.7.4 و Python 3.6.x باستخدام Azure Functions؛ Python 3.8 والإصدارات الأحدث غير مدعومة بعد.)
• أدوات Azure Functions الأساسية
• محرر كود مثل Visual Studio Code

التحقق من المتطلبات الأساسية

1. في نافذة طرفية أو أوامر، شغل func --version للتحقق من أن أدوات Azure Functions الأساسية هي الإصدار 2.7.1846 أو أحدث.
2. شغل python --version (لينكس/ماك أو إس) أو py --version (Windows) للتحقق من تقارير الإصدار Python 3.7.x.

استنساخ مستودع البرنامج التعليمي

1. انُسخ، في المحطة الطرفية أو نافذة الأوامر، المستودع التالي باستخدام Git:

   git clone https://github.com/Azure-Samples/functions-python-tensorflow-tutorial.git
   

2. انتقل إلى المجلد وافحص محتوياته.

   cd functions-python-tensorflow-tutorial
   

   • "start"يمثل مجلد العمل الخاص بك للبرنامج التعليمي.
   • "end" تمثل النتيجة النهائية والتنفيذ الكامل للرجوع إليه.
   • تحتوي الموارد على نموذج التعلم الآلي ومكتبات المساعد.
   • الواجهة الأمامية بمثابة موقع على شبكة الإنترنت يستخدم تطبيق الدالة.

إنشاء وتفعيل بيئة افتراضية بلغة Python

انتقل إلى مجلد البدء وشغل الأوامر التالية لإنشاء وتفعيل البيئة الافتراضية باسم.venv. تأكد من استخدام Python 3.7، الذي يدعمه Azure Functions.

bash

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

إذا لم يقم Python بتثبيت حزمة venv على توزيعة لينكس الخاصة بك، شغل الأمر التالي:

sudo apt-get install python3-venv

PowerShell

cd start
py -3.7 -m venv .venv
.venv\scripts\activate

Cmd

cd start
py -3.7 -m venv .venv
.venv\scripts\activate

شغل جميع الأوامر اللاحقة في هذه البيئة الافتراضية النشطة. (لإنهاء البيئة الافتراضية، شغِّل deactivate.)

إنشاء مشروع دوال محلية

في Azure Functions، مشروع الدوال هو حاوية لدالة أو أكثر فردية تستجيب كل منها لمشغل محدد. تشترك جميع الدوال في المشروع في نفس التكوينات المحلية والاستضافة. في هذا القسم، يمكنك إنشاء مشروع دالة يحتوي على دالة معيارية مفردة تسمى classify توفر نقطة نهاية "HTTP". إضافة الرموز الأكثر تحديداً في أي قسم لاحق.

1. في مجلد start، استخدم أدوات Azure Functions الأساسية لتهيئة تطبيق دوال Python:

   func init --worker-runtime python
   

   بعد التهيئة، يحتوي المجلد "Start" على ملفات متنوعة للمشروع، بما في ذلك ملفات التهيئة المسماة local.settings.json و host.json. نظرا لأن local.settings.json يمكن أن يحتوي على أسرار تم تنزيلها من Azure، فإن الملف يستبعد من التحكم في المصدر افتراضيا في ملف .gitignore.

   تلميح

   ونظراً لربط مشروع الدالة بوقت التشغيل المحددة، يجب كتابة جميع الدوال في المشروع بنفس اللغة.

2. أضف دالة إلى مشروعك باستخدام الأمر التالي، حيث تمثل الوسيطة --nameالاسم المميز للدالة خاصتك فيما تُحدد الوسيطة--template مشغل الدالة. ينشئ func new مجلداً فرعياً يطابق اسم الوظيفة الذي يحتوي على ملف تعليمات برمجية مناسب للغة المختارة للمشروع وملف تكوين باسم function.json .

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

   ينشئ هذا الأمر مجلداً مطابقاً لاسم الدالة، ويُصنف. يرد في هذا المجلد ملفان: __init__.pynit .py، الذي يحتوي على تعليمة برمجية للدالة وfunction.json، الذي يصف مشغل الدالة وروابط الإدخال والإخراج الخاصة بها. للمزيد من التفاصيل حول محتويات هذه الملفات، انظر Programming model في دليل المطورين Python.

تشغيل الدالة محليًا

1. ابدأ الوظيفة بتشغيل مضيف التشغيل المحلي Azure Functions في مجلد start:

   func start
   

2. بمجرد أن ترى نقطة النهاية classify تظهر في المخرج، انتقل إلى الرابط http://localhost:7071/api/classify?name=Azure. يجب أن تظهر الرسالة "Hello Azure!" في المخرج.

3. استخدم Ctrl-C لإيقاف المضيف.

استرد نموذج TensorFlow واضف التعليمات البرمجية للمساعد

لتعديل وظيفة classify لتصنيف الصورة بناء على محتواها، تستخدم نموذج TensorFlow مسبق تم تدريبه وتصديره من خدمة الرؤية المخصصة Azure. يصنف النموذج، الموجود في مجلد الموارد للعينة التي استنسختها سابقا، الصورة استناداً إلى ما إذا كانت تحتوي على كلب أو قطة. أضف بعد ذلك بعض الرموز المساعدة والتبعيات إلى المشروع الخاص بك.

لبناء نموذجك الخاص باستخدام الطبقة المجانية من خدمة الرؤية المخصصة، اتبع التعليمات في مستودع مشروع sample repository.

تلميح

إذا كنت ترغب في استضافة نموذج TensorFlow بشكل مستقل في تطبيق الدوال، يمكنك بدلاً من ذلك تحميل مشاركة ملف تحتوي على النموذج الخاص بك إلى تطبيق دالة Linux. لمعرفة المزيد، راجع مشاركات الملفات في Mount (Mount File Shares).

1. في مجلد البدء، شغل الأمر التالي لنسخ ملفات النموذج إلى مجلد التصنيف. تأكد من إدراج\* في الأمر.

   bash

   cp ../resources/model/* classify
   

   PowerShell

   copy ..\resources\model\* classify
   

   Cmd

   copy ..\resources\model\* classify
   

2. تحقق من أن المجلد تصنيف يحتوي على ملفات باسم model.pb وlabels.txt. إذا لم يكن كذلك، تحقق من تشغيل الأمر في مجلد البدء.

3. في المجلد البدء، شغل الأمر التالي لنسخ ملف مع التعليمات البرمجية للمساعدة إلى مجلد التصنيف:

   bash

   cp ../resources/predict.py classify
   

   PowerShell

   copy ..\resources\predict.py classify
   

   Cmd

   copy ..\resources\predict.py classify
   

4. تحقق من أن المجلد تصنيف يحتوي الآن على ملف باسم predict.py.

5. افتح start/requirements.txt في محرر نص واضف التبعيات التالية المطلوبة بواسطة التعليمات البرمجية للمساعد:

   tensorflow==1.14
   Pillow
   requests
   

6. احفظ متطلبات.txt.

7. ثبت التبعيات عن طريق تشغيل الأمر التالي في ملف البدء. قد يستغرق التثبيت بضع دقائق، وخلال هذه الفترة يمكنك المتابعة مع تعديل الدالة في القسم التالي.

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

   على Windows، قد تواجه الخطأ "لم يتمكن من تثبيت الحزم بسبب EnvironmentError: [خطأ 2] لا يوجد مثل هذا الملف أو الدليل:" متبوعا باسم مسار طويل لملف مثل sharded_mutable_dense_hashtable.cpython-37.pyc. يحدث هذا الخطأ بشكل عام لأن عمق مسار المجلد طويل جدا. في هذه الحالة، اضبط مفتاح التسجيل HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem@LongPathsEnabled إلى 1 لتمكين مسارات طويلة. بدلا من ذلك، تحقق من مكان تثبيت مفسر Python الخاص بك. إذا كان هذا الموقع يحتوي على مسار طويل، حاول إعادة تثبيته في مجلد ذي مسار أقصر.

تلميح

عند طلب predict.py لإجراء التنبؤ الأول، تُحمل الدالة باسم _initialize نموذج TensorFlow من القرص وتخزينه في المتغيرات العمومية. يسرع هذا التخزين المؤقت التنبؤات اللاحقة.

تحديث الدالة لتشغيل التوقعات

1. فتح تصنيف/__init__.py في محرر نص واضف الأسطر التالية بعد importالعبارات الموجودة لاستعادة مكتبة JSON القياسية ومساعدي التوقع:

   import logging
   import azure.functions as func
   import json
   
   # Import helper script
   from .predict import predict_image_from_url
   

2. استبدال محتويات main بالرمز التالي:

   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)
   

   تستلم هذه الدالة صورة بعنوان URL في معلمة سلسلة استعلام باسمimg . وتطلب بعد ذلكpredict_image_from_url من مكتبة المساعد لتنزيل الصورة وتصنيفها باستخدام نموذج TensorFlow. تُعيد الدالة استجابة بروتوكول نقل النص الفائق مع النتائج.

   هام

   نظراً لاستدعاء نقطة نهاية "HTTP" هذه بواسطة صفحة ويب مستضافة على نطاق آخر، فإن الاستجابة تتضمن ترويسة Access-Control-Allow-Origin لتلبية متطلبات مشاركة الموارد المشتركة (CORS) الخاصة بالمتصفح.

   أثناء تطبيق الإنتاج، قم بتغيير * إلى الأصل المحدد لصفحة الويب لمزيد من الأمان.

3. احفظ التغييرات الخاصة بك، ثم افترض انتهاء تثبيت التبعيات وابدأ مضيف الدالة المحلية مرة أخرى معfunc start. تأكد من تشغيل المضيف في مجلد "start" مع تنشيط البيئة الافتراضية. سيبدأ المضيف، ولكن ستظهر أخطاء عند طلب الدالة.

   func start
   

4. افتح في المتصفح عنوان URL التالي لطلب الدالة مع عنوان URL لصورة القط وتأكد من تصنيف ملف JSON المسترد للصورة على أنها صورة قطة.

   http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.png
   

5. حافظ على تشغيل المضيف لأنك ستستخدمه في الخطوة التالية.

شغل الواجهة الأمامية لتطبيق الويب المحلية لاختبار دالة

لاختبار طلب نقطة نهاية الدالة من تطبيق ويب آخر، سيظهر لك تطبيق بسيط في المجلد الأمامي للمستودع.

1. افتح طرفية أو موجه أوامر جديد وفعل البيئة الافتراضية (كما هو موضح سابقا تحت إنشاء وتفعيل بيئة افتراضية Python).

2. انتقل إلى المجلد الأمامي للمستودع.

3. ابدأ خادم HTTP باستخدام Python:

   bash

   python -m http.server
   

   PowerShell

   py -m http.server
   

   Cmd

   py -m http.server
   

4. انتقل في المتصفح إلى localhost:8000، ثم أدخل أحد عناوين "URL" التالية للصور في مربع النص، أو استخدم عنوان "URL" لأي صورة يمكن الوصول إليها بشكل عام.

   • 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. حدد "Submit" لطلب نقطة نهاية الدالة لتصنيف الصورة.

   

   إذا أبلغ المتصفح عن خطأ عند إرسال عنوان "URL" للصورة، تحقق من المحطة الطرفية التي تقوم بتشغيل تطبيق الدوال فيها. إذا رأيت خطأ مثل "لم يتم العثور على وحدة نمطية 'PIL'"، فقد تكون قد بدأت تطبيق الدوال في مجلد "start" دون تنشيط البيئة الافتراضية التي أنشأتها في وقت سابق. إذا كنت لا تزال ترى أخطاء، شغل pip install -r requirements.txt مرة أخرى مع تنشيط البيئة الافتراضية والبحث عن الأخطاء.

إشعار

يصنف النموذج دائما محتوى صورة القطة أو الكلب على أنها صورة كلب افتراضياً بصرف النظر عن احتواء الصورة على أي منهما. تُصنف صور النمور والفهود، على سبيل المثال، عادة على أنها قطة، فيما تُصنف صور الأفيال أو الجزر أو الطائرات على أنها صورة كلب.

تنظيف الموارد

نظرا لأن هذا الدرس يعمل بالكامل محليا على جهازك، فلا توجد موارد أو خدمات Azure لتنظيفها.

الخطوات التالية

في هذا الدرس، تعلمت كيفية بناء وتخصيص نقطة نهاية API لواجهة HTTP باستخدام Azure Functions لتصنيف الصور باستخدام نموذج TensorFlow. تعلمت كذلك كيفية الاتصال بواجهة برمجة التطبيقات من تطبيق ويب. يمكنك استخدام التقنيات في هذا الدرس لبناء واجهات برمجة تطبيقات بأي تعقيد، وكل ذلك أثناء التشغيل على نموذج الحوسبة بدون خادم الذي توفره Azure Functions.

نشر الدالة إلى Azure Functions باستخدام دليل Azure CLI

راجع أيضًا:

• نشر الدالة إلى Azure باستخدام Visual Studio Code.
• Azure Functions Python دليل المطورين
• Azure CLI: تركيب مشاركة ملف على تطبيق وظيفة Python