Kurz: Nasazení předem natrénovaného modelu klasifikace obrázků do Azure Functions pomocí PyTorchu

V tomto článku se dozvíte, jak pomocí Pythonu, PyTorchu a Azure Functions načíst předem natrénovaný model pro klasifikaci obrázku na základě jeho obsahu. Vzhledem k tomu, že všechno fungujete místně a nevytváříte žádné prostředky Azure v cloudu, není potřeba tento kurz dokončit.

Požadavky

• Účet Azure s aktivním předplatným. Vytvoření účtu zdarma
• Python 3.7.4 nebo novější (Python 3.8.x a Python 3.6.x jsou také ověřeny pomocí Azure Functions.)
• Základní nástroje Azure Functions
• Editor kódu, jako je Visual Studio Code

Kontrola požadovaných součástí

1. V terminálu nebo příkazovém okně spusťte kontrolu func --version , jestli jsou nástroje Azure Functions Core Tools verze 2.7.1846 nebo novější.
2. Spusťte python --version (Linux/macOS) nebo py --version (Windows) a zkontrolujte sestavy verzí Pythonu 3.7.x.

Klonování úložiště kurzů

1. V terminálu nebo příkazovém okně naklonujte pomocí Gitu následující úložiště:

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

2. Přejděte do složky a prozkoumejte její obsah.

   cd functions-python-pytorch-tutorial
   

   • start is your working folder for the tutorial.
   • end je konečný výsledek a úplná implementace vašeho odkazu.
   • prostředky obsahují model strojového učení a pomocné knihovny.
   • front-end je web, který volá aplikaci funkcí.

Vytvoření a aktivace virtuálního prostředí Pythonu

Přejděte do spouštěcí složky a spuštěním následujících příkazů vytvořte a aktivujte virtuální prostředí s názvem .venv.

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

sudo apt-get install python3-venv

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

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

V tomto aktivovaném virtuálním prostředí spustíte všechny následující příkazy. (Spuštěním příkazu .) ukončete deactivatevirtuální prostředí.

Vytvoření projektu místních funkcí

Ve službě Azure Functions je projekt funkcí kontejnerem pro jednu nebo více jednotlivých funkcí, které každá reaguje na konkrétní trigger. Všechny funkce v projektu sdílejí stejné místní a hostitelské konfigurace. V této části vytvoříte projekt funkce, který obsahuje jedinou častou funkci s názvem classify , která poskytuje koncový bod HTTP. Do další části přidáte konkrétnější kód.

1. Ve složce Start použijte nástroje Azure Functions Core Tools k inicializaci aplikace funkcí Pythonu:

   func init --worker-runtime python
   

   Po inicializaci obsahuje spouštěcí složka různé soubory projektu, včetně konfiguračních souborů pojmenovaných local.settings.json a host.json. Protože local.settings.json může obsahovat tajné kódy stažené z Azure, soubor je ve výchozím nastavení vyloučen ze správy zdrojového kódu v souboru .gitignore .

   Tip

   Vzhledem k tomu, že projekt funkce je svázaný s konkrétním modulem runtime, musí být všechny funkce v projektu zapsány ve stejném jazyce.

2. Přidejte do projektu funkci pomocí následujícího příkazu, kde --name argument je jedinečný název funkce a --template argument určuje aktivační událost funkce. func new vytvořte podsložku odpovídající názvu funkce, která obsahuje soubor kódu odpovídající zvolenému jazyku projektu a konfiguračnímu souboru s názvem function.json.

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

   Tento příkaz vytvoří složku odpovídající názvu funkce, klasifikovat. V této složce jsou dva soubory: __init__.py, který obsahuje kód funkce, a function.json, který popisuje aktivační událost funkce a její vstupní a výstupní vazby. Podrobnosti o obsahu těchto souborů najdete v programovacím modelu v příručce pro vývojáře Pythonu.

Místní spuštění funkce

1. Spusťte funkci spuštěním místního hostitele modulu runtime Azure Functions ve složce Start :

   func start
   

2. Jakmile se classify koncový bod zobrazí ve výstupu, přejděte na adresu URL http://localhost:7071/api/classify?name=Azure. Ve výstupu by se měla zobrazit zpráva "Hello Azure!".

3. K zastavení hostitele použijte klávesu Ctrl-C.

Import modelu PyTorch a přidání pomocného kódu

Pokud chcete upravit classify funkci tak, aby klasifikovala obrázek na základě jejího obsahu, použijte předem natrénovaný model ResNet . Předem natrénovaný model, který pochází z PyTorch, klasifikuje obrázek do 1 z 1 000 tříd ImageNet. Potom do projektu přidáte nějaký pomocný kód a závislosti.

1. Ve složce Start spusťte následující příkaz, který zkopíruje kód předpovědi a popisky do složky klasifikace.

   • udeřit
   • PowerShell
   • Cmd

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

2. Ověřte, že složka klasifikace obsahuje soubory s názvem predict.py a labels.txt. Pokud ne, zkontrolujte, že jste příkaz spustili ve složce Start .

3. Otevřete start/requirements.txt v textovém editoru a přidejte závislosti vyžadované pomocným kódem, který by měl vypadat takto:

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

   Tip

   Verze torch a torchvision musí odpovídat hodnotám uvedeným v tabulce verzí úložiště PyTorch vision.

4. Uložte requirements.txt a potom spuštěním následujícího příkazu ze složky Start nainstalujte závislosti.

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

Instalace může trvat několik minut, během které můžete pokračovat v úpravě funkce v další části.

Aktualizace funkce pro spouštění předpovědí

1. Otevřete klasifikovat/__init__.py v textovém editoru a přidejte následující řádky za existující import příkazy pro import standardní knihovny JSON a pomocných rutin predikce :

   import logging
   import azure.functions as func
   import json
   
   # Import helper script
   from .predict import predict_image_from_url
   

2. Celý obsah main funkce nahraďte následujícím kódem:

   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)
   

   Tato funkce obdrží adresu URL obrázku v parametru řetězce dotazu s názvem img. Potom volá predict_image_from_url z pomocné knihovny ke stažení a klasifikaci obrázku pomocí modelu PyTorch. Funkce pak vrátí odpověď HTTP s výsledky.

   Důležité

   Vzhledem k tomu, že tento koncový bod HTTP je volán webovou stránkou hostovaným v jiné doméně, obsahuje odpověď hlavičku Access-Control-Allow-Origin , která splňuje požadavky prohlížeče na sdílení prostředků mezi zdroji (CORS).

   V produkční aplikaci přejděte * ke konkrétnímu původu webové stránky pro zvýšení zabezpečení.

3. Uložte změny a za předpokladu, že instalace závislostí skončila, spusťte hostitele místní funkce znovu pomocí func start. Nezapomeňte spustit hostitele ve složce Start s aktivovaným virtuálním prostředím. Jinak se hostitel spustí, ale při vyvolání funkce se zobrazí chyby.

   func start
   

4. V prohlížeči otevřete následující adresu URL pro vyvolání funkce s adresou URL obrázku Bernese Mountain Dog a potvrďte, že vrácený JSON klasifikuje obrázek jako Bernese Mountain Dog.

   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. Nechte hostitele spuštěný, protože ho použijete v dalším kroku.

Spuštěním front-endu místní webové aplikace otestujte funkci.

K otestování volání koncového bodu funkce z jiné webové aplikace je v front-endové složce úložiště jednoduchá aplikace.

1. Otevřete nový terminál nebo příkazový řádek a aktivujte virtuální prostředí (jak je popsáno výše v části Vytvoření a aktivace virtuálního prostředí Pythonu).

2. Přejděte do front-endové složky úložiště.

3. Spusťte server HTTP pomocí Pythonu:

   • udeřit
   • PowerShell
   • Cmd

   python -m http.server
   

4. V prohlížeči přejděte do localhost:8000textového pole a zadejte jednu z následujících adres URL fotek nebo použijte adresu URL libovolného veřejně přístupného obrázku.

   • 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. Výběrem možnosti Odeslat vyvoláte koncový bod funkce pro klasifikaci obrázku.

   

   Pokud prohlížeč hlásí chybu při odeslání adresy URL obrázku, zkontrolujte terminál, ve kterém spouštíte aplikaci funkcí. Pokud se zobrazí chyba typu Žádný modul nenalezl PIL, možná jste spustili aplikaci funkcí ve složce Start bez první aktivace virtuálního prostředí, které jste vytvořili dříve. Pokud se vám stále zobrazují chyby, spusťte pip install -r requirements.txt znovu virtuální prostředí aktivované a vyhledejte chyby.

Vyčištění prostředků

Vzhledem k tomu, že celý tento kurz běží místně na vašem počítači, nejsou k dispozici žádné prostředky Ani služby Azure, které by bylo potřeba vyčistit.

Další kroky

V tomto kurzu jste se dozvěděli, jak pomocí Azure Functions sestavit a přizpůsobit koncový bod rozhraní HTTP API pro klasifikaci obrázků pomocí modelu PyTorch. Dozvěděli jste se také, jak volat rozhraní API z webové aplikace. Techniky v tomto kurzu můžete použít k sestavení rozhraní API jakékoli složitosti, a to vše při spouštění na bezserverovém výpočetním modelu poskytovaném službou Azure Functions.

Viz také:

• Nasaďte funkci do Azure pomocí editoru Visual Studio Code.
• Příručka pro vývojáře v Pythonu pro Azure Functions