你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站,请访问 https://docs.azure.cn

教程:在 Azure Functions 中使用 Python 和 TensorFlow 应用机器学习模型

本文介绍如何在机器学习模型中使用 Python、TensorFlow 和 Azure Functions,以根据图像内容对图像进行分类。 由于你是在本地完成所有操作,而不会在云中创建任何 Azure 资源,因此,完成本教程不会产生任何费用。

  • 初始化用于在 Python 中开发 Azure Functions 的本地环境。
  • 将自定义 TensorFlow 机器学习模型导入函数应用。
  • 生成一个无服务器 HTTP API,用于分类包含狗或猫的图像。
  • 从 Web 应用使用该 API。

先决条件

先决条件检查

  1. 在终端或命令窗口中,运行 func --version 检查 Azure Functions Core Tools 的版本是否为 2.7.1846 或以上。
  2. 运行 python --version (Linux/MacOS) 或 py --version (Windows),检查报告的 Python 版本是否为 3.7.x。

克隆教程存储库

  1. 在终端或命令窗口中,使用 Git 克隆以下存储库:

    git clone https://github.com/Azure-Samples/functions-python-tensorflow-tutorial.git
    
  2. 导航到该文件夹并检查其内容。

    cd functions-python-tensorflow-tutorial
    
    • start 是本教程的工作文件夹。
    • end 是供你参考的最终结果和完整实现。
    • resources 包含机器学习模型和帮助器库。
    • frontend 是调用函数应用的网站。

创建并激活 Python 虚拟环境

导航到 start 文件夹,运行以下命令以创建并激活名为 .venv 的虚拟环境。 请务必使用受 Azure Functions 支持的 Python 3.7。

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

如果 Python 未在 Linux 分发版中安装 venv 包,请运行以下命令:

sudo apt-get install python3-venv

所有后续命令将在这个已激活的虚拟环境中运行。 (若要退出虚拟环境,请运行 deactivate。)

创建本地函数项目

在 Azure Functions 中,有一个函数项目是一个或多个单独函数(每个函数响应特定的触发器)的容器。 项目中的所有函数共享相同的本地和宿主配置。 在本部分中,你将创建一个函数项目,其中包含单个名为 classify 的、提供 HTTP 终结点的样板函数。 在稍后的部分,你将添加更具体的代码。

  1. start 文件夹中,使用 Azure Functions Core Tools 初始化 Python 函数应用:

    func init --worker-runtime python
    

    初始化后,start 文件夹包含项目的各个文件,其中包括名为 local.settings.jsonhost.json 的配置文件。 由于 local.settings.json 可以包含从 Azure 下载的机密,因此,默认情况下,该文件会从 .gitignore 文件的源代码管理中排除。

    提示

    由于函数项目绑定到特定的运行时,因此必须使用相同的语言编写项目中的所有函数。

  2. 使用以下命令将一个函数添加到项目,其中,--name 参数是该函数的唯一名称,--template 参数指定该函数的触发器。 func new 创建一个与函数名称匹配的、包含项目所选语言适用的代码文件的子文件夹,以及一个名为 function.json 的配置文件。

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

    此命令创建与函数名称匹配的文件夹 classify。 该文件夹中有两个文件:__init__.py,其中包含函数代码;function.json,描述函数的触发器及其输入和输出绑定。 若要详细了解这些文件的内容,请参阅 Python 开发人员指南中的编程模型

在本地运行函数

  1. 通过启动 start 文件夹中的本地 Azure Functions 运行时主机来启动函数:

    func start
    
  2. 看到输出中显示了 classify 终结点后,请导航到 URL http://localhost:7071/api/classify?name=Azure。 输出中应显示消息“Hello Azure!”。

  3. Ctrl-C 停止主机。

导入 TensorFlow 模型并添加帮助器代码

若要修改 classify 函数以根据图像内容对图像进行分类,请使用一个已通过 Azure 自定义视觉服务进行训练并已从中导出的预生成 TensorFlow 模型。 该模型已包含在前面克隆的示例的 resources 文件夹中,它可以根据图像是包含狗还是猫来分类图像。 然后,将一些帮助器代码和依赖项添加到项目。

若要使用自定义视觉服务的免费层生成自己的模型,请按照示例项目存储库中的说明操作。

提示

若要独立于函数应用托管 TensorFlow 模型,可以改将包含模型的文件共享装载到 Linux 函数应用。 若要了解详细信息,请参阅使用 Azure CLI 将文件共享装载到 Python 函数应用

  1. start 文件夹中,运行以下命令将模型文件复制到 classify 文件夹中。 请务必在命令中包含 \*

    cp ../resources/model/* classify
    
  2. 验证 classify 文件夹是否包含名为 model.pblabels.txt 的文件。 如果不包含,请检查是否在 start 文件夹中运行了该命令。

  3. start 文件夹中运行以下命令,将包含帮助器代码的文件复制到 classify 文件夹中:

    cp ../resources/predict.py classify
    
  4. 验证 classify 文件夹现在是否包含名为 predict.py 的文件。

  5. 在文本编辑器中打开 start/requirements.txt,添加帮助器代码所需的以下依赖项:

    tensorflow==1.14
    Pillow
    requests
    
  6. 保存 requirements.txt

  7. start 文件夹中运行以下命令来安装依赖项。 安装可能需要几分钟时间,在此过程中,你可以转到下一部分来修改函数。

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

    在 Windows 上,可能会遇到“由于 EnvironmentError: [Errno 2],无法安装包。没有此类文件或目录:”,后接类似于 sharded_mutable_dense_hashtable.cpython-37.pyc 的文件的长路径名。 通常,发生此错误的原因是文件夹路径的深度太长。 在这种情况下,请将注册表项 HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem@LongPathsEnabled 设置为 1,以启用长路径。 或者检查 Python 解释器的安装位置。 如果该位置的路径很长,请尝试在路径较短的文件夹中重新安装。

提示

在调用 predict.py 使其做出第一次预测时,名为 _initialize 的函数会从磁盘中加载 TensorFlow 模型,并将其缓存在全局变量中。 这种缓存可以提高后续预测的速度。 有关使用全局变量的详细信息,请参阅 Azure Functions Python 开发人员指南

更新函数以运行预测

  1. 在文本编辑器中打开 classify/__init__.py,并在现有的 import 语句后面添加以下行,以导入标准 JSON 库和 predict 帮助器:

    import logging
    import azure.functions as func
    import json
    
    # Import helper script
    from .predict import predict_image_from_url
    
  2. 请将 main 函数的整个内容替换为以下代码:

    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)
    

    此函数接收名为 img 的查询字符串参数中的图像 URL。 然后,它从帮助器库调用 predict_image_from_url,以使用 TensorFlow 模型下载并分类图像。 然后,该函数返回包含结果的 HTTP 响应。

    重要

    由于此 HTTP 终结点是由另一个域中托管的网页调用的,因此响应包含 Access-Control-Allow-Origin 标头,以满足浏览器的跨源资源共享 (CORS) 要求。

    在生产应用程序中,请将 * 更改为网页的特定源,以提高安全性。

  3. 保存更改,然后在假设依赖项已完成安装的条件下,再次使用 func start 启动本地函数宿主。 请务必在已激活虚拟环境的情况下运行 start 文件夹中的宿主。 否则,宿主将会启动,但在调用函数时会出现错误。

    func start
    
  4. 在浏览器中打开以下 URL,以使用猫图像的 URL 调用该函数,并确认返回的 JSON 是否将图像分类为猫。

    http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.png
    
  5. 让宿主保持运行,因为在下一步骤中需要使用它。

运行本地 Web 应用前端来测试函数

存储库的 frontend 文件夹中提供了一个简单的应用,让你从另一 Web 应用测试函数终结点的调用。

  1. 打开新的终端或命令提示符,并激活虚拟环境(根据前文的创建并激活 Python 虚拟环境中所述)。

  2. 导航到存储库的 frontend 文件夹。

  3. 使用 Python 启动一个 HTTP 服务器:

    python -m http.server
    
  4. 在浏览器中导航到 localhost:8000,然后在文本框中输入以下照片 URL 之一,或使用任何可公开访问的图像的 URL。

    • 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. 选择“提交”以调用函数终结点来对图像进行分类。

    Screenshot of finished project

    如果在提交图像 URL 时浏览器报告错误,请检查运行函数应用的终端。 如果出现类似于“找不到模块 'PIL'”的错误,原因可能是在 start 文件夹中启动了函数应用,但未事先激活先前创建的虚拟环境。 如果仍出现错误,请在已激活虚拟环境的情况下再次运行 pip install -r requirements.txt,并查看错误。

注意

无论图像是否包含猫或狗,模型都始终会将图像内容分类为猫或狗,默认分类为狗。 例如,老虎和豹子的图像通常分类为猫,而大象、胡萝卜或飞机的图像则分类为狗。

清理资源

由于整篇教程在计算机本地运行,因此没有任何 Azure 资源或服务需要清理。

后续步骤

在本教程中,你已了解如何使用 Azure Functions 生成和自定义 HTTP API 终结点,以使用 TensorFlow 模型分类图像。 此外,你还了解了如何从 Web 应用调用 API。 可以使用本教程中所述的方法生成具有不同复杂性的 API,所有这些 API 都可在 Azure Functions 提供的无服务器计算模型上运行。

另请参阅: