Condividi tramite


Esercitazione: Applicare modelli di Machine Learning in Funzioni di Azure con Python e TensorFlow

Questo articolo illustra come usare Python, TensorFlow e Funzioni di Azure con un modello di Machine Learning per classificare un'immagine in base al contenuto. Dal momento che si lavora in locale e non vengono create risorse di Azure nel cloud, non è previsto alcun costo per completare questa esercitazione.

  • Inizializzare un ambiente locale per lo sviluppo di Funzioni di Azure in Python.
  • Importare un modello di Machine Learning TensorFlow personalizzato in un'app per le funzioni.
  • Creare un'API HTTP serverless per classificare un'immagine che contiene un cane o un gatto.
  • Utilizzare l'API da un'app Web.

Prerequisiti

Controllo dei prerequisiti

  1. In una finestra di comando o di terminale eseguire func --version per verificare che la versione di Azure Functions Core Tools sia 2.7.1846 o successiva.
  2. Eseguire python --version (Linux/MacOS) o py --version (Windows) per verificare che la versione di Python sia 3.7.x.

Clonare il repository dell'esercitazione

  1. In una finestra di comando o di terminale clonare il repository seguente con Git:

    git clone https://github.com/Azure-Samples/functions-python-tensorflow-tutorial.git
    
  2. Passare alla cartella ed esaminarne il contenuto.

    cd functions-python-tensorflow-tutorial
    
    • start è la cartella di lavoro per l'esercitazione.
    • end è il risultato finale e l'implementazione completa per riferimento.
    • resources contiene il modello di Machine Learning e le librerie helper.
    • frontend è un sito Web che chiama l'app per le funzioni.

Creare e attivare un ambiente virtuale Python

Passare alla cartella start ed eseguire i comandi seguenti per creare e attivare un ambiente virtuale denominato .venv. Assicurarsi di usare Python 3.7, che è supportato da Funzioni di Azure.

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

Se Python non ha installato il pacchetto venv nella distribuzione Linux, eseguire il comando seguente:

sudo apt-get install python3-venv

È possibile eseguire tutti i comandi successivi in questo ambiente virtuale attivato. Per uscire dall'ambiente virtuale, eseguire deactivate.

Creare un progetto per le funzioni locale

In Funzioni di Azure un progetto di funzione è un contenitore per una o più funzioni singole che rispondono ognuna a un trigger specifico. Tutte le funzioni di un progetto condividono le stesse configurazioni locali e di hosting. In questa sezione viene creato un progetto di funzione che contiene una singola funzione boilerplate denominata classify che fornisce un endpoint HTTP. Il codice più specifico verrà aggiunto in una sezione successiva.

  1. Nella cartella start usare Azure Functions Core Tools per inizializzare un'app per le funzioni Python:

    func init --worker-runtime python
    

    Dopo l'inizializzazione la cartella start contiene vari file per il progetto, inclusi i file di configurazione denominati local.settings.json e host.json. Poiché local.settings.json può contenere segreti scaricati da Azure, per impostazione predefinita il file viene escluso dal controllo del codice sorgente nel file con estensione gitignore.

    Suggerimento

    Poiché un progetto di funzione è associato a un runtime specifico, tutte le funzioni del progetto devono essere scritte con lo stesso linguaggio.

  2. Aggiungere una funzione al progetto usando il comando seguente, in cui l'argomento --name è il nome univoco della funzione e l'argomento --template specifica il trigger della funzione. func new crea una sottocartella corrispondente al nome della funzione che contiene un file di codice appropriato per il linguaggio scelto del progetto e un file di configurazione denominato function.json.

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

    Questo comando crea una cartella che corrisponde al nome della funzione, ovvero classify. In tale cartella sono due file: __init__.py, che contiene il codice della funzione e function.json, che descrive il trigger della funzione e le relative associazioni di input e output. Per informazioni dettagliate sul contenuto di questi file, vedere Modello di programmazione nella guida per sviluppatori Python.

Eseguire la funzione in locale

  1. Avviare la funzione avviando l'host di runtime locale di Funzioni di Azure nella cartella start:

    func start
    
  2. Quando nell'output viene visualizzato l'endpoint classify, passare all'URL http://localhost:7071/api/classify?name=Azure. Il messaggio "Hello Azure!" deve essere visualizzato nell'output.

  3. Premere CTRL-C per arrestare l'host.

Importare il modello TensorFlow e aggiungere il codice dell'helper

Per modificare la funzione classify per classificare un'immagine in base al contenuto, si usa un modello TensorFlow predefinito che è stato sottoposto a training ed esportato dal servizio Visione personalizzata di Azure. Il modello, contenuto nella cartella resources dell'esempio clonato in precedenza, consente di classificare un'immagine a seconda che contenga un cane o un gatto. Aggiungere quindi il codice helper e le dipendenze al progetto.

Per creare un modello personalizzato usando il livello gratuito del servizio Visione personalizzata, è possibile seguire le istruzioni disponibili nel repository del progetto di esempio.

Suggerimento

Per ospitare il modello di TensorFlow indipendentemente dall'app per le funzioni, è invece possibile montare una condivisione file contenente il modello nell'app per le funzioni Linux. Per altre informazioni, vedere Montare una condivisione file in un'app per le funzioni Python con l'interfaccia della riga di comando di Azure.

  1. Nella cartella start eseguire il comando seguente per copiare i file del modello nella cartella classify. Assicurarsi di includere \* nel comando.

    cp ../resources/model/* classify
    
  2. Verificare che la cartella classify contenga i file denominati model.pb e labels.txt. In caso contrario, verificare che il comando sia stato eseguito nella cartella start.

  3. Nella cartella start eseguire il comando seguente per copiare un file con codice helper nella cartella classify:

    cp ../resources/predict.py classify
    
  4. Verificare che la cartella classify contenga un file denominato predict.py.

  5. Aprire start/requirements.txt in un editor di testo e aggiungere le dipendenze seguenti richieste dal codice helper:

    tensorflow==1.14
    Pillow
    requests
    
  6. Salvare il file requirements.txt.

  7. Installare le dipendenze eseguendo il comando seguente nella cartella start. L'installazione può richiedere alcuni minuti, durante i quali è possibile procedere con la modifica della funzione nella sezione successiva.

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

    È possibile che in Windows venga visualizzato un errore simile a "Non è stato possibile installare i pacchetti a causa di un errore EnvironmentError: [numero errore 2] non esiste alcun file o directory di questo tipo:" seguito da un percorso lungo a un file come sharded_mutable_dense_hashtable.cpython-37.pyc. Questo errore si verifica in genere perché la profondità del percorso della cartella diventa eccessiva. In tal caso, impostare la chiave del Registro di sistema HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem@LongPathsEnabled su 1 per abilitare i percorsi lunghi. In alternativa, controllare il percorso in cui è installato l'interprete Python. Se tale percorso è un percorso lungo, provare a reinstallare in una cartella con un percorso più breve.

Suggerimento

Quando si chiama predict.py per generare la prima previsione, una funzione denominata _initialize carica il modello TensorFlow dal disco e lo memorizza nella cache nelle variabili globali. Questa memorizzazione nella cache velocizza le previsioni successive. Per altre informazioni sull'uso delle variabili globali, vedere Guida per sviluppatori Python per Funzioni di Azure.

Aggiornare la funzione per generare previsioni

  1. Aprire la classificazione/__init__.py in un editor di testo e aggiungere le righe seguenti dopo le istruzioni esistenti import per importare la libreria JSON standard e gli helper di stima :

    import logging
    import azure.functions as func
    import json
    
    # Import helper script
    from .predict import predict_image_from_url
    
  2. Sostituire l'intero contenuto della funzione main con il codice seguente:

    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)
    

    Questa funzione riceve un URL di immagine in un parametro della stringa di query denominato img. Chiama quindi predict_image_from_url dalla libreria helper per scaricare e classificare l'immagine usando il modello TensorFlow. La funzione restituisce quindi una risposta HTTP con i risultati.

    Importante

    Dal momento che l'endpoint HTTP viene chiamato da una pagina Web ospitata in un altro dominio, la risposta include un'intestazione Access-Control-Allow-Origin per soddisfare i requisiti di condivisione di risorse tra le origini (CORS) del browser.

    In un'applicazione di produzione, per maggiore sicurezza sostituire * con l'origine specifica della pagina Web.

  3. Salvare le modifiche e quindi, supponendo che le dipendenze abbiano terminato l'installazione, avviare di nuovo l'host della funzione locale con func start. Assicurarsi di eseguire l'host nella cartella start con l'ambiente virtuale attivato. In caso contrario, l'host verrà avviato, ma si verificheranno errori durante la chiamata della funzione.

    func start
    
  4. In un browser aprire l'URL seguente per richiamare la funzione con l'URL dell'immagine di un gatto e verificare che l'oggetto JSON restituito classifichi l'immagine come gatto.

    http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.png
    
  5. Lasciare l'host in esecuzione perché verrà usato nel passaggio successivo.

Eseguire il front-end dell'app Web locale per testare la funzione

Per eseguire il test richiamando l'endpoint della funzione da un'altra app Web, usare l'app semplice presente nella cartella frontend del repository.

  1. Aprire un terminale o prompt dei comandi e attivare l'ambiente virtuale, come descritto in precedenza in Creare e attivare un ambiente virtuale Python.

  2. Passare alla cartella frontend del repository.

  3. Avviare un server HTTP con Python:

    python -m http.server
    
  4. In un browser passare a localhost:8000 e quindi immettere uno degli URL di foto seguenti nella casella di testo oppure usare l'URL di qualsiasi immagine accessibile pubblicamente.

    • 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. Selezionare Invia per richiamare l'endpoint della funzione per classificare l'immagine.

    Screenshot del progetto finito

    Se il browser restituisce un errore quando si invia l'URL dell'immagine, controllare il terminale in cui si sta eseguendo l'app per le funzioni. Se viene visualizzato un errore simile a "Non sono stati trovati moduli 'PIL'", è possibile che l'app per le funzioni nella cartella start sia stata avviata senza aver prima attivato l'ambiente virtuale creato in precedenza. Se vengono ancora visualizzati errori, eseguire di nuovo pip install -r requirements.txt con l'ambiente virtuale attivato e cercare gli errori.

Nota

Il modello classifica sempre il contenuto dell'immagine come gatto o cane, indipendentemente dal fatto che l'immagine li contenga, usando come impostazione predefinita l'immagine del cane. Le immagini di tigri e pantere, ad esempio, vengono classificate in genere come gatto, ma quelle di elefanti, carote o aeroplani vengono classificate come cane.

Pulire le risorse

Dal momento che l'intera esercitazione viene eseguita in locale sul computer in uso, non sono presenti risorse o servizi di Azure di cui eseguire la pulizia.

Passaggi successivi

In questa esercitazione è stato illustrato come creare e personalizzare un endpoint dell'API HTTP con Funzioni di Azure per classificare immagini con un modello TensorFlow. È stato anche illustrato come chiamare l'API da un'app Web. È possibile usare le tecniche illustrate in questa esercitazione per creare API di qualsiasi complessità, eseguendo sempre il modello di calcolo serverless offerto da Funzioni di Azure.

Vedere anche la pagina relativa alla