教學課程：在 Azure Functions 中使用 Python 和 TensorFlow 來套用機器學習模型
在本文中，您將了解如何使用 Python、TensorFlow 和 Azure Functions 搭配機器學習模型根據影像的內容對影像進行分類。 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。
- 將自訂 TensorFlow 機器學習模型匯入至函式應用程式。
- 建置無伺服器 HTTP API，將影像分類為包含狗或貓的影像。
- 從 Web 應用程式取用 API。
必要條件
- 具有有效訂用帳戶的 Azure 帳戶。 免費建立帳戶。
- Python 3.7.4。 (Python 3.7.4 和 Python 3.6.x 已進行 Azure Functions 的驗證；Python 3.8 和更新版本尚不受支援。)
- Azure Functions Core Tools
- 程式碼編輯器，例如 Visual Studio Code
先決條件檢查
- 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。 - 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
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-tensorflow-tutorial.git瀏覽至資料夾，並檢查其內容。
cd functions-python-tensorflow-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。 請務必使用受 Azure Functions 支援的 Python 3.7。
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。
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。
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
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如果您看到
classify端點出現在輸出中，請瀏覽至 URLhttp://localhost:7071/api/classify?name=Azure。 輸出結果應顯示訊息「Hello Azure!」。使用 Ctrl-C 將主機停止。
匯入 TensorFlow 模型並新增協助程式碼
若要修改 classify 函式以根據影像的內容將影像分類，請使用預先建置的 TensorFlow 模型，該模型已透過 Azure 自訂視覺服務進行定型並匯出。 此模型包含在您先前複製之範例的 resources 資料夾中，可根據影像中是否包含狗或貓將影像分類。 接著，您可以將一些協助程式碼和相依性新增至您的專案。
若要使用自訂視覺服務的免費層來建置自己的模型，請遵循範例專案存放庫中的指示。
提示
如果您想裝載獨立於函式應用程式的 TensorFlow 模型，可以改為將包含模型的檔案共用掛接至您的 Linux 函式應用程式。 若要深入了解，請參閱 使用 Azure CLI 將檔案共用掛接至 Python 函式應用程式。
在 start 資料夾中執行下列命令，將模型檔案複製到 classify 資料夾中。 請務必在命令中包含
\*。cp ../resources/model/* classify確認 classify 資料夾包含名為 model.pb 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。
在 start 資料夾中執行下列命令，將含有協助程式碼的檔案複製到 classify 資料夾中：
cp ../resources/predict.py classify確認 classify 資料夾此時包含名為 predict.py 的檔案。
在文字編輯器中開啟 start/requirements.txt，並新增協助程式碼所需的下列相依性：
tensorflow==1.14 Pillow requests儲存 requirements.txt。
在 start 資料夾中執行下列命令，以安裝相依性。 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。
pip install --no-cache-dir -r requirements.txt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。
提示
在 predict.py 上呼叫以進行第一次預測時，名為 _initialize 的函式會從磁碟載入 TensorFlow 模型，並將其快取到全域變數中。 此快取可加速後續預測的執行。 如需使用全域變數的詳細資訊，請參閱 Azure Functions Python 開發人員指南。
更新函式以執行預測
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。 這會從協助程式庫呼叫predict_image_from_url，以下載影像並使用 TensorFlow 模型將影像分類。 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。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在瀏覽器中開啟下列 URL，以使用貓影像的 URL 叫用函式，並確認傳回的 JSON 將影像分類為貓。
http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.png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。
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)。
瀏覽至存放庫的 frontend 資料夾。
使用 Python 啟動 HTTP 伺服器：
python -m http.server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-tensorflow-tutorial/master/resources/assets/samples/cat1.pnghttps://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat2.pnghttps://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/dog1.pnghttps://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/dog2.png
選取 [提交] 叫用函式端點，以進行影像分類。
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。
注意
無論影像中是否包含貓或狗，模型一律會將影像的內容分類為貓或狗 (預設為狗)。 例如，虎和豹的影像通常會分類為貓，但象、紅蘿蔔或飛機的影像則會分類為狗。
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 TensorFlow 模型將影像分類。 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：