分享方式：

教學課程：使用 PyTorch 將預先定型的影像分類模型部署到 Azure Functions

  • 文章

在本文中，您將了解如何使用 Python、PyTorch 和 Azure Functions 根據影像的內容載入預先定型的模型，以將影像分類。 您將在本機上執行所有工作，且不會在雲端中建立任何 Azure 資源，因此完成本教學課程並不會產生任何費用。

  • 初始化本機環境以在 Python 中開發 Azure Functions。
  • 將預先定型的 PyTorch 機器學習模型匯入至函式應用程式。
  • 建置無伺服器 HTTP API，將影像分類為 1000 個 ImageNet 分類中的其中一種。
  • 從 Web 應用程式取用 API。

必要條件

先決條件檢查

  1. 在終端機或命令視窗中，執行 func --version，以確認 Azure Functions Core Tools 為 2.7.1846 版或更新版本。
  2. 執行 python --version (Linux/MacOS) 或 py --version (Windows)，以確認您的 Python 版本回報為 3.7.x。

複製教學課程存放庫

  1. 在終端機或命令視窗中，使用 Git 複製下列存放庫：

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

  2. 瀏覽至資料夾，並檢查其內容。

    cd functions-python-pytorch-tutorial
    • start 是教學課程的工作資料夾。
    • end 是供您參考的最終結果和完整實作。
    • resources 包含機器學習模型和協助程式庫。
    • frontend 是呼叫函式應用程式的網站。

建立並啟用 Python 虛擬環境

瀏覽至start 資料夾，並執行下列命令以建立並啟用名為 .venv 的虛擬環境。

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

如果 Python 未在您的 Linux 發行版本上安裝 venv 套件，請執行下列命令：

sudo apt-get install python3-venv

您將在這個已啟用的虛擬環境中執行所有後續命令。 (若要退出虛擬環境，請執行 deactivate。)

建立本機 Functions 專案

在 Azure Functions 中，函式專案是包含一或多個個別函式的容器，而每個函式分別會回應特定的觸發程序。 專案中的所有函式會共用相同的本機和裝載設定。 在本節中，您將建立一個函式專案，其中包含名為 classify 的單一重複使用函式，可提供 HTTP 端點。 您將在後續章節中新增更具體的程式碼。

  1. 在 start 資料夾中，使用 Azure Functions Core Tools 來初始化 Python 函式應用程式：

    func init --worker-runtime python

    初始化之後，start 資料夾會包含專案的各種檔案，包括名為 local.settings.json 和 host.json 的組態檔。 由於 local.settings.json 可能會包含從 Azure 下載的秘密，因此 .gitignore 檔案依預設會將該檔案排除在原始檔控制以外。

    提示

    由於函式專案會繫結至特定執行階段，因此專案中的所有函式都必須以相同的語言撰寫。

  2. 使用下列命令，將函式新增至您的專案，其中 --name 引數是函式的唯一名稱，而 --template 引數可指定函式的觸發程序。 func new 建立符合函式名稱的子資料夾，其中包含適合專案所選語言的程式碼檔案，以及名為 function.json 的組態檔。

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

    此命令會建立符合函式名稱的資料夾，即 classify。 該資料夾中有兩個檔案：__init__.py 包含函式程式碼，而 function.json 則描述函式的觸發程序及其輸入和輸出繫結。 如需這些檔案內容的詳細資料，請參閱 Python 開發人員指南中的 程式設計模型。

在本機執行函式

  1. 啟動 start 資料夾中的本機 Azure Functions 執行階段主機，以啟動函式：

    func start

  2. 如果您看到 classify 端點出現在輸出中，請瀏覽至 URL http://localhost:7071/api/classify?name=Azure。 輸出結果應顯示訊息「Hello Azure!」。

  3. 使用 Ctrl-C 將主機停止。

匯入 PyTorch 模型並新增協助程式程式碼

若要修改 classify 函式以根據影像的內容來分類，您可以使用預先定型的 ResNet 模型。 預先定型的模型 (來自 PyTorch) 會將影像分類為 1000 個 ImageNet 類別中的其中 1 種。 接著，您可以將一些協助程式碼和相依性新增至您的專案。

  1. 在 [start] 資料夾中執行下列命令，將預測程式碼和標籤複製到 [classify] 資料夾中。

    cp ../resources/predict.py classify
cp ../resources/labels.txt classify

  2. 確認 classify 資料夾包含名為 predict.py 和 labels.txt 的檔案。 如果沒有，請確認您已執行 start 資料夾中的命令。

  3. 在文字編輯器中開啟 start/requirements.txt，並新增協助程式程式碼所需相依性，其應如下所示：

    azure-functions
requests
-f https://download.pytorch.org/whl/torch_stable.html
torch==1.13.0+cpu
torchvision==0.14.0+cpu

    提示

    torch 和 torchvision 的版本必須與 PyTorch vision 存放庫的版本表中所列的值相符。

  4. 儲存 requirements.txt，然後從 [start] 資料夾執行下列命令，以安裝相依性。

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

安裝可能需要幾分鐘的時間，在這段期間，您可以繼續修改下一節中的函式。

提示

在 Windows 上，如果檔案的路徑名稱較長 (例如 sharded_mutable_dense_hashtable.cpython-37.pyc)，則可能會出現錯誤「無法安裝套件，因為發生 EnvironmentError：[Errno 2] 沒有此類檔案或目錄：」。 之所以發生此錯誤，通常是因為資料夾路徑的深度太長所致。 在此情況下，請將登錄機碼 HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem@LongPathsEnabled 設定為 1，以啟用長路徑。 或者，請檢查 Python 解譯器的安裝位置。 如果該位置具有長路徑，請嘗試在路徑較短的資料夾中重新安裝。

更新函式以執行預測

  1. 在文字編輯器中開啟 classify/__init__.py，並在現有的 import 陳述式後面新增以下幾行，以匯入標準 JSON 程式庫和 predict 協助程式：

    import logging
import azure.functions as func
import json

# Import helper script
from .predict import predict_image_from_url

  2. 將 main 函式的整個內容取代為下列程式碼：

    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)

    此函式會在名為 img 的查詢字串參數中接收影像 URL。 接著會從協助程式程式庫呼叫 predict_image_from_url，以下載影像並使用 PyTorch 模型加以分類。 然後，函式會傳回包含結果的 HTTP 回應。

    重要

    由於此 HTTP 端點會由裝載於另一個網域的網頁呼叫，因此回應會包含 Access-Control-Allow-Origin 標頭以符合瀏覽器的跨原始來源資源共用 (CORS) 需求。

    在生產應用程式中，將 * 變更為網頁的特定來源以提高安全性。

  3. 儲存您的變更，然後假設相依性已完成安裝，使用 func start 重新啟動本機函式主機。 請務必在已啟用虛擬環境的 start 資料夾中執行主機。 否則，主機將會啟動，但您會在叫用函式時會看到錯誤。

    func start

  4. 在瀏覽器中開啟下列 URL，以使用伯恩山犬影像的 URL 叫用函式，並確認傳回的 JSON 將影像分類為伯恩山犬。

    http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/Bernese-Mountain-Dog-Temperament-long.jpg

  5. 讓主機保持執行狀態，因為您在後續步驟將會用到此主機。

執行本機 Web 應用程式前端以測試函式

若要測試從另一個 Web 應用程式叫用函式端點的功能，存放庫的 frontend 資料夾中有一個簡單的應用程式可供使用。

  1. 開啟新的終端機或命令提示字元，並啟用虛擬環境 (如先前的建立並啟用 Python 虛擬環境所說明)。

  2. 瀏覽至存放庫的 frontend 資料夾。

  3. 使用 Python 啟動 HTTP 伺服器：

    python -m http.server

  4. 在瀏覽器中瀏覽至 localhost:8000，然後在文字方塊中輸入下列其中一個相片 URL，或使用任何可公開存取之影像的 URL。

    • https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/Bernese-Mountain-Dog-Temperament-long.jpg
    • https://github.com/Azure-Samples/functions-python-pytorch-tutorial/blob/master/resources/assets/bald-eagle.jpg?raw=true
    • https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/penguin.jpg

  5. 選取 [提交] 叫用函式端點，以進行影像分類。

    Screenshot of finished project

    如果瀏覽器在您提交影像 URL 時回報了錯誤，請檢查函式應用程式執行所在的終端機。 如果您看到「找不到模組 'PIL'」之類的錯誤，表示您可能未事先啟用先前建立的虛擬環境，即在 start 資料夾中啟動了函式應用程式。 如果您仍看到錯誤，請在啟用虛擬環境後再次執行 pip install -r requirements.txt，並觀察是否有錯誤。

清除資源

本教學課程全都會在機器本機上執行，因此並沒有需要清除的 Azure 資源或服務。

下一步

在本教學課程中，您已了解如何使用 Azure Functions 來建置和自訂 HTTP API 端點，以使用 PyTorch 模型來分類影像。 您也已了解如何從 Web 應用程式呼叫 API。 不論多麼複雜的 API 都可以使用本教學課程的技術來建置，而且都在 Azure Functions 提供的無伺服器計算模型上執行。

另請參閱：

使用 Azure CLI 將函式部署至 Azure Functions 的指南