Oktatóanyag: Gépi tanulási modellek alkalmazása az Azure Functionsben a Python és a TensorFlow használatával

Cikk
12/20/2024

Ebből a cikkből megtudhatja, hogyan használható a Python, a TensorFlow és az Azure Functions gépi tanulási modellel egy kép tartalom alapján történő besorolására. Mivel minden munkát helyileg végez, és nem hoz létre Azure-erőforrásokat a felhőben, az oktatóanyag elvégzése nem jár költséggel.

Helyi környezet inicializálása az Azure Functions Pythonban való fejlesztéséhez.
Egyéni TensorFlow gépi tanulási modell importálása függvényalkalmazásba.
Kiszolgáló nélküli HTTP API-t hozhat létre a rendszerkép kutya vagy macska szerinti besorolásához.
Az API használata webalkalmazásból.

Előfeltételek

Egy Azure-fiók, aktív előfizetéssel. Fiók ingyenes létrehozása.
Python 3.7.4. (A Python 3.7.4-et és a Python 3.6.x-et az Azure Functions ellenőrzi; A Python 3.8 és újabb verziói még nem támogatottak.)
Az Azure Functions Core Tools
Kódszerkesztő, például Visual Studio Code

Előfeltételek ellenőrzése

Egy terminál vagy parancsablakban futtassa func --version az Azure Functions Core Tools 2.7.1846-os vagy újabb verzióját.
Futtassa python --version (Linux/macOS) vagy py --version (Windows) a Python 3.7.x-es verziójelentéseinek ellenőrzéséhez.

Az oktatóanyag-adattár klónozása

Egy terminál vagy parancsablakban klónozza a következő adattárat a Git használatával:
```
git clone https://github.com/Azure-Samples/functions-python-tensorflow-tutorial.git
```
Lépjen a mappába, és vizsgálja meg annak tartalmát.
```
cd functions-python-tensorflow-tutorial
```
- A start az oktatóanyag munkamappája.
- A befejezés a végső eredmény és a teljes megvalósítás a referencia számára.
- az erőforrások tartalmazzák a gépi tanulási modellt és a segédkódtárakat.
- A frontend egy olyan webhely, amely meghívja a függvényalkalmazást.

Python virtuális környezet létrehozása és aktiválása

Lépjen a kezdőmappára , és futtassa a következő parancsokat egy virtuális környezet .venvlétrehozásához és aktiválásához. Mindenképpen használja a Python 3.7-et, amelyet az Azure Functions támogat.

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

Ha a Python nem telepítette a venv-csomagot a Linux-disztribúcióra, futtassa a következő parancsot:

sudo apt-get install python3-venv

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

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

Ebben az aktivált virtuális környezetben minden további parancsot futtat. (A virtuális környezetből való kilépéshez futtassa deactivatea .)

Helyi függvényprojekt létrehozása

Az Azure Functionsben a függvényprojekt egy tároló egy vagy több egyedi függvény számára, amelyek mindegyike egy adott eseményindítóra válaszol. A projekt összes függvénye ugyanazokkal a helyi és üzemeltetési konfigurációkkal rendelkezik. Ebben a szakaszban egy olyan függvényprojektet hoz létre, amely egyetlen, HTTP-végpontot biztosító kazánplatétfüggvényt classify tartalmaz. Egy későbbi szakaszban konkrétabb kódot adhat hozzá.

A kezdőmappában az Azure Functions Core Tools használatával inicializálhat egy Python-függvényalkalmazást:
```
func init --worker-runtime python
```
Az inicializálás után a start mappa különböző fájlokat tartalmaz a projekthez, beleértve a local.settings.json és host.json nevű konfigurációs fájlokat. Mivel local.settings.json tartalmazhat az Azure-ból letöltött titkos kulcsokat, a fájl alapértelmezés szerint ki van zárva a .gitignore fájlból a forrásvezérlőből.

Tipp.

Mivel egy függvényprojekt egy adott futtatókörnyezethez van kötve, a projekt összes függvényét ugyanazzal a nyelvvel kell írni.
Adjon hozzá egy függvényt a projekthez az alábbi paranccsal, ahol az --name argumentum a függvény egyedi neve, az --template argumentum pedig a függvény eseményindítóját határozza meg. func newhozzon létre egy olyan almappát, amely megfelel a függvény nevének, amely a projekt választott nyelvének megfelelő kódfájlt és egy function.json nevű konfigurációs fájlt tartalmaz.
```
func new --name classify --template "HTTP trigger"
```
Ez a parancs létrehoz egy olyan mappát, amely megfelel a függvény nevének, osztályozza. Ebben a mappában két fájl található: __init__.py, amely tartalmazza a függvénykódot, és function.json, amely leírja a függvény eseményindítóját, valamint annak bemeneti és kimeneti kötéseit. A fájlok tartalmával kapcsolatos részletekért lásd a Python fejlesztői útmutatójának programozási modelljét .

Függvény helyi futtatása

Indítsa el a függvényt úgy, hogy elindítja a helyi Azure Functions-futtatókörnyezet-gazdagépet a start mappában:
```
func start
```
Ha a végpont megjelenik classify a kimenetben, keresse meg az URL-címet. http://localhost:7071/api/classify?name=Azure A kimenetben a "Hello Azure!" üzenetnek kell megjelennie.
Állítsa le a gazdagépet a Ctrl C billentyűkombinációval.-

A TensorFlow-modell importálása és segédkód hozzáadása

Ha módosítani szeretné a classify függvényt egy rendszerkép tartalom alapján történő besorolásához, egy előre elkészített TensorFlow-modellt használ, amelyet betanított és exportált az Azure Custom Vision Service-ből. A modell, amely a korábban klónozott minta erőforrásmappájában található, a rendszerképet annak alapján osztályozza, hogy kutya vagy macska található-e benne. Ezután hozzáadhat néhány segédkódot és függőséget a projekthez.

Ha saját modellt szeretne létrehozni a Custom Vision Service ingyenes rétegével, kövesse a mintaprojekt-adattár utasításait.

Tipp.

Ha a TensorFlow-modellt a függvényalkalmazástól függetlenül szeretné üzemeltetni, ehelyett csatlakoztathat egy, a modellt tartalmazó fájlmegosztást a Linux-függvényalkalmazáshoz. További információ: Fájlmegosztás csatlakoztatása Python-függvényalkalmazáshoz az Azure CLI használatával.

A kezdőmappában futtassa a következő parancsot a modellfájlok besorolási mappába másolásához. Ügyeljen arra, hogy szerepeljen \* a parancsban.
```
cp ../resources/model/* classify
```
```
copy ..\resources\model\* classify
```
```
copy ..\resources\model\* classify
```
Ellenőrizze, hogy az osztályozási mappa tartalmaz-e model.pb és labels.txt nevű fájlokat. Ha nem, ellenőrizze, hogy futtatta-e a parancsot a kezdőmappában .
A kezdőmappában futtassa a következő parancsot egy segédkóddal rendelkező fájl másolásához az osztályozásimappába:
```
cp ../resources/predict.py classify
```
```
copy ..\resources\predict.py classify
```
```
copy ..\resources\predict.py classify
```
Ellenőrizze, hogy az osztályozási mappa tartalmaz-e predict.py nevű fájlt.
Nyissa meg a start/requirements.txt egy szövegszerkesztőben, és adja hozzá a segédkódhoz szükséges alábbi függőségeket:
```
tensorflow==1.14
Pillow
requests
```
Mentse requirements.txt.
Telepítse a függőségeket a következő parancs futtatásával a kezdőmappában . A telepítés eltarthat néhány percig, amíg a függvényt a következő szakaszban módosíthatja.
```
pip install --no-cache-dir -r requirements.txt
```
Windows rendszeren a következő hibaüzenet jelenhet meg: "Nem telepíthet csomagokat egy EnvironmentError miatt: [Errno 2] Nincs ilyen fájl vagy könyvtár:", majd egy fájl hosszú elérési útja, például sharded_mutable_dense_hashtable.cpython-37.pyc. Ez a hiba általában azért fordul elő, mert a mappa elérési útja túl hosszú lesz. Ebben az esetben állítsa be a beállításkulcsot HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem@LongPathsEnabled1 a hosszú útvonalak engedélyezéséhez. Másik lehetőségként ellenőrizze, hogy a Python-értelmező hol van telepítve. Ha ez a hely hosszú elérési úttal rendelkezik, próbálkozzon újra egy rövidebb elérési úttal rendelkező mappában.

Tipp.

Amikor meghívja predict.py, hogy tegye meg az első előrejelzését, egy névvel ellátott _initialize függvény betölti a TensorFlow-modellt a lemezről, és globális változókban gyorsítótárazza. Ez a gyorsítótárazás felgyorsítja a későbbi előrejelzéseket. A globális változók használatával kapcsolatos további információkért tekintse meg az Azure Functions Python fejlesztői útmutatóját.

A függvény frissítése előrejelzések futtatásához

Nyissa meg a classify/__init__.py egy szövegszerkesztőben, és adja hozzá a következő sorokat a meglévő import utasítások után a szabványos JSON-kódtár és a prediktív segédek importálásához:
```
import logging
import azure.functions as func
import json

# Import helper script
from .predict import predict_image_from_url
```
Cserélje le a main függvény teljes tartalmát a következő kódra:
```
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)
```
Ez a függvény egy kép URL-címét kapja meg egy lekérdezési imgsztring nevű paraméterben. Ezután a segédtárból kéri predict_image_from_url a rendszerkép letöltését és besorolását a TensorFlow-modellel. A függvény ezután egy HTTP-választ ad vissza az eredményekkel együtt.

Fontos

Mivel ezt a HTTP-végpontot egy másik tartományban üzemeltetett weblap hívja meg, a válasz tartalmaz egy Access-Control-Allow-Origin fejlécet, amely megfelel a böngésző forrásközi erőforrás-megosztási (CORS) követelményeinek.

Egy éles alkalmazásban váltson * a weblap konkrét eredetére a hozzáadott biztonság érdekében.
Mentse a módosításokat, majd feltételezve, hogy a függőségek telepítése befejeződött, indítsa újra a helyi függvény gazdagépét.func start Győződjön meg arról, hogy a gazdagépet a kezdőmappában futtatja, és a virtuális környezet aktiválva van. Ellenkező esetben a gazdagép elindul, de a függvény meghívásakor hibaüzenetek jelennek meg.
```
func start
```
A böngészőben nyissa meg a következő URL-címet, hogy meghívja a függvényt egy macskakép URL-címével, és ellenőrizze, hogy a visszaadott JSON macskaként sorolja-e be a képet.
```
http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.png
```
Futtassa a gazdagépet, mert a következő lépésben használja.

A függvény teszteléséhez futtassa a helyi webalkalmazás előtérét

A függvényvégpont egy másik webalkalmazásból való meghívásának teszteléséhez egy egyszerű alkalmazás található az adattár előtérmappájában.

Nyisson meg egy új terminált vagy parancssort, és aktiválja a virtuális környezetet (a pythonos virtuális környezet létrehozása és aktiválása című cikkben leírtak szerint).
Nyissa meg az adattár előtérmappáját.
HTTP-kiszolgáló indítása a Pythonnal:
```
python -m http.server
```
```
py -m http.server
```
```
py -m http.server
```
Nyissa meg localhost:8000a böngészőben, majd írja be az alábbi fényképES URL-címek egyikét a szövegmezőbe, vagy használja a nyilvánosan elérhető képek URL-címét.
- 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
Válassza a Küldés lehetőséget a függvényvégpont meghívásához a rendszerkép besorolásához.

Ha a böngésző hibát jelez a kép URL-címének elküldésekor, ellenőrizze azt a terminált, amelyen a függvényalkalmazást futtatja. Ha a "Nem található modul "PIL" hibaüzenet jelenik meg, előfordulhat, hogy a függvényalkalmazást a start mappában indította el anélkül, hogy először aktiválta volna a korábban létrehozott virtuális környezetet. Ha továbbra is hibákat lát, futtassa pip install -r requirements.txt újra a virtuális környezetet aktiválva, és keressen hibákat.

Feljegyzés

A modell mindig macskának vagy kutyának sorolja be a kép tartalmát, függetlenül attól, hogy a kép tartalmazza-e őket, alapértelmezés szerint kutyának. A tigrisek és párducok képei általában macskaként osztályozhatók, de az elefántok, sárgarépa vagy repülőgépek képei kutyaként osztályozhatók.

Az erőforrások eltávolítása

Mivel az oktatóanyag teljes egésze helyileg fut a gépen, nincs törölendő Azure-erőforrás vagy szolgáltatás.

Következő lépések

Ebben az oktatóanyagban megtanulta, hogyan hozhat létre és szabhat testre egy HTTP API-végpontot az Azure Functions használatával a képek TensorFlow-modellel való besorolásához. Azt is megtanulta, hogyan hívhatja meg az API-t egy webalkalmazásból. Az oktatóanyagban szereplő technikákkal bármilyen összetettségű API-kat hozhat létre, mindezt az Azure Functions által biztosított kiszolgáló nélküli számítási modellen való futtatás során.

A függvény üzembe helyezése az Azure Functionsben az Azure CLI-útmutatóval

Lásd még:

Megosztás a következőn keresztül: