Kurz: Použití modelů strojového učení v Azure Functions s využitím Python a TensorFlow

V tomto článku se naučíte používat Python, TensorFlow a Azure Functions s modelem strojového učení ke klasifikaci obrázku na základě jeho obsahu. Vzhledem k tomu, že všechny úlohy provádíte místně a nevytváříte žádné Azure prostředky v cloudu, není nutné tento kurz dokončit.

  • Inicializace místního prostředí pro vývoj Azure Functions v Python
  • Naimportujte vlastní model strojového učení TensorFlow do aplikace funkcí.
  • Vytvořte HTTP API bez serveru pro určení, zda obrázek obsahuje psa nebo kočku.
  • Využijte rozhraní API z webové aplikace.

Požadavky

Kontrola předpokladů

  1. V terminálu nebo příkazovém okně spusťte příkaz func --version a zkontrolujte, jestli jsou nástroje Azure Functions Core Tools verze 2.7.1846 nebo novější.
  2. Zkontrolujte, zda vaše sestava verze Pythonu ukazuje 3.7.x, spuštěním příkazu python --version (Linux/macOS) nebo py --version (Windows).

Naklonujte úložiště tutoriálu

  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 je váš pracovní adresář pro výukový program.
    • end je konečný výsledek a úplná implementace pro vaši informaci.
    • prostředky obsahují model strojového učení a pomocné knihovny.
    • frontend je webová stránka, která volá funkční aplikaci.

Vytvoření a aktivace virtuálního prostředí Python

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 balíček venv nenainstaloval 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

V Azure Functions je projekt funkce kontejnerem pro jednu nebo více jednotlivých funkcí, které každý reaguje na konkrétní aktivační událost. 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 Azure Functions Core Tools k inicializaci aplikace funkcí Python:

    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 Programming model v příručce pro vývojáře Python.

Místní spuštění funkce

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

    func start

  2. Jakmile se ve výstupu zobrazí koncový bod classify, 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 funkci classify tak, aby klasifikovala obrázek na základě jejího obsahu, použijte předem vytvořený model TensorFlow, který byl vytrénován 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 projektu sample.

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 sdílených složek.

  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

    Na 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 registru HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem@LongPathsEnabled na 1 pro povolení dlouhých cest. Případně zkontrolujte, kde je nainstalovaný interpret Python. Pokud má toto umístění dlouhou cestu, zkuste přeinstalovat do složky 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.

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 změňte * na specifický zdroj 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 host spuštěný, protože jej 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 aktivaci virtuálního prostředí Python).

  2. Přejděte do front-endové složky úložiště.

  3. Spusťte server HTTP s Python:

    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 některého z nich, s tím, že výchozí klasifikace je pes. 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 Azure prostředky ani služby, které by bylo potřeba vyčistit.

Další kroky

V tomto kurzu jste zjistili, jak sestavit a přizpůsobit koncový bod rozhraní HTTP API s 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 Azure Functions.

Nasaďte funkci do Azure Functions podle průvodce Azure CLI

Viz také:

  • Last updated on