Press "Enter" to skip to content

TensorFlow模型部署到服务器—TensorFlow2.0

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

前言

 

​ 当一个TensorFlow模型训练出来的时候,为了投入到实际应用,所以就需要部署到服务器上。由于我本次所做的项目是一个javaweb的图像识别项目。所有我就想去寻找一下java调用TensorFlow训练模型的办法。

 

 

由于TensorFlow很久没更新的缘故,网上的博客大都是18/19年的,并且是基于TensorFlow1.0的,对于现在使用的TensorFlow2.0不太友好。

 

下面我简述一下TensorFlow1.0时期的方法:

 

1.动态模型生成不便

 

需要将训练的.h5模型转换成.pb模型,并且需要自己定义.pb模型的输入输出参数。(pb模型是一种基于动态图的模型)

 

pb的生成代码冗长、而且对初学者真滴不太友好

 

 

相比之下.h5模型的生成代码就一行

 

 

此外,这个生成pb模型的代码是否能照搬使用,还是一个问题,并且还可能报一些奇奇怪怪的错误。

 

2.maven导包不便

 

查阅资料发现java上的TensorFlow的jar包都是TensorFlow1.0的

 

 

现状:

 

 

并且maven官网上的TensorFlow2.0的api已经改名成了tensorflow-core-api,并且网上相关方面的教程十分难找。由于网上都是导入的1.0的包,自己导入2.0的包之后,详细的调用教程可以说是没有。从上面也可以看出来TensorFlow对java的调用也不怎幺重视了。所以这又给学习的途中徒增了很多困难。

 

全新思路

 

思路一

 

用java直接调用训练好的模型很困难,那幺我们想办法让java调用python脚本,让python脚本去调用.h5模型会不会更简单呢?

 

代码如下

 

package com.guard.service;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
public class api_service {
    public String recognize(String path){
        //此处的path是图片路径
        Process proc;
        String res = null;
        try {
            System.out.println("接受到的参数"+path);
            String[] cmd = new String[] { "python", "E:\\machine_learning\\predict.py", path};
            proc = Runtime.getRuntime().exec(cmd);
            BufferedReader in = new BufferedReader(new InputStreamReader(proc.getInputStream()));
            String line = null;
            while ((line = in.readLine()) != null) {
                System.out.println(line);
                res = line;
            }
            in.close();
            proc.waitFor();
        } catch (IOException e) {
            e.printStackTrace();
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
        System.out.println(res+">>>>>>>>>>>");
        return res;
    }
}

 

但是我们可以看出,这个其实是用java在win上跑了这样一个指令

 

 

虽然这个确实是一个好办法,但是这个路径参数需要事先知道服务器上的路径,并且在协作开发的时候,每个人的路径和环境就不同,虽然该方法能用,但是我认为还不够好。

 

思路二

 

我们可以直接用python的flask框架,直接生成一个api接口,就可以远程直接调用TensorFlow训练好的模型进行结果预测。

 

 

 

个人认为,这种方法相较于用java调用命令行,这种方法还是更加直观的

 

并且flask仅仅需要加个@app.route的注解就能实现,可谓是十分方便

 

下面是模型调用代码

 

model.py

 

import glob
import sys
import os
import cv2
import numpy as np
import tensorflow as tf
import image_processing
def model_ues(path):
    # 缩放图片大小为100*100
    w = 100
    h = 100
    # 测试图像的地址 (改为自己的)
    # path_test = "resource/test24.jpg"
    api_token = "fklasjfljasdlkfjlasjflasjfljhasdljflsdjflkjsadljfljsda"
    path_test = image_processing.download_img(path,api_token)
    # 创建保存图像的空列表
    imgs = []
    img = cv2.imread(path_test)
    img = cv2.resize(img, (w, h))
    # 将每张经过处理的图像数据保存在之前创建的imgs空列表当中
    imgs.append(img)
    imgs = np.asarray(imgs, np.float32)
    # print("shape of data:",imgs.shape)
    # 导入模型
    model = tf.keras.models.load_model(r"resource/rice_0.93.h5")
    # 创建图像标签列表
    rice_dict = {0: 'Rice blast', 1: 'Rice fleck',
             2: 'Rice koji disease', 3: 'Sheath blight'}
    # 将图像导入模型进行预测
    prediction = model.predict_classes(imgs)
    # prediction = np.argmax(model.predict(imgs), axis=-1)
    # 绘制预测图像
    for i in range(np.size(prediction)):
        # 打印每张图像的预测结果
        print(rice_dict[prediction[i]])
    return rice_dict[prediction[0]]

 

为了实现图片外链接受,下面是图片下载脚本

 

image_processing.py

 

# coding: utf8
import requests
import random
def download_img(img_url, api_token):
    print (img_url)
    header = {"Authorization": "Bearer " + api_token} # 设置http header,视情况加需要的条目,这里的token是用来鉴权的一种方式
    r = requests.get(img_url, headers=header, stream=True)
    print(r.status_code) # 返回状态码
    file_img = 'resource/img.png'
    # file_img = 'resource/'
    print(file_img)
    if r.status_code == 200:
        open(file_img, 'wb').write(r.content) # 将内容写入图片
        print("done")
    del r
    return file_img
# if __name__ == '__main__':
#     # 下载要的图片
#     img_url = "https://z3.ax1x.com/2021/07/27/W5l6Qe.png"
#     api_token = "fklasjfljasdlkfjlasjflasjfljhasdljflsdjflkjsadljfljsda"
#     download_img(img_url, api_token)

 

主程序脚本

 

app.py

 

from flask import Flask,render_template, url_for, request, json,jsonify
import model
app = Flask(__name__)
#设置编码
app.config['JSON_AS_ASCII'] = False
@app.route('/test')
def hello_world():
    return "hello world"
@app.route('/predict', methods=['GET', 'POST'])
def form_data():
    my_path = request.form['path']
    print(my_path)
    str = model.model_ues(my_path)
    print("http://127.0.0.1:5000/predict")
    return jsonify({'result':str,'msg':'200'})
if __name__ == '__main__':
    app.run()

 

数据解析

 

虽然我们能够通过postman进行测试接受到回传的结果,但是我们要怎幺用java实现呢??

 

1.使用postman生成大致代码框架(postman生成的代码可能不能直接运行)

这里我选用的是java-okhttp的方法,但其实使用Unirest写出来的代码更加简洁易懂。

 

public class Get_result {
    public  String getResult(String path) throws IOException {
//        String path = "https://i.loli.net/2021/07/29/badDNR2OCironUf.jpg";
        OkHttpClient client = new OkHttpClient().newBuilder()
                .build();
        MediaType mediaType = MediaType.parse("application/x-www-form-urlencoded");
        RequestBody body = RequestBody.create(mediaType, "path="+path);
        Request request = new Request.Builder()
                .url("http://127.0.0.1:8000/predict")
                .method("POST", body)
                .addHeader("Content-Type", "application/x-www-form-urlencoded")
                .build();
        Response response = client.newCall(request).execute();
        String result = response.body().string();
        System.out.println(result);
            }
}

 

{
  "msg": "200",
  "result": "Rice fleck"
}

 

获取到json数据之后,就需要对json数据进行解析

 

java上的解析原理是,先按照json编写一个类,之后用Gson对接受到的数据按照这个类进行规范化

 

(这里可以用GsonFormatPlus插件来自动生成这个实体类)

 

//Rice_result.java---为该json的实体类
package com.guard.tool;
import lombok.Data;
import lombok.NoArgsConstructor;
@NoArgsConstructor
@Data
public class Rice_result {
    private String msg;
    private String result;
}

 

下面是数据解析代码(和上面的okhttp获取json数据的代码连起来看)

 

//json数据解析
        Gson gson = new Gson();
        java.lang.reflect.Type type = new TypeToken<Rice_result>(){}.getType();
        Rice_result rice_result = gson.fromJson(result, type);
        System.out.println(rice_result);
        if("200".equals(rice_result.getMsg())){
//            System.out.println(rice_result.getResult());
            return Rice_result.convertdata(rice_result.getResult());
        }else {
//            System.out.println("获取结果出错!!");
            return "获取结果出错!!";
        }

 

这样的话就可以进行json数据的解析了。

 

图链制作

 

由于需要使用java发送post请求给flask的预测端口,那幺就需要把本地上传的数据做成图链,把图链作为数据传给flask的预测端口,从而来接收结果。

 

由于前端js的知识大多遗忘,这里就选用了用java来发送一个post请求,获得回传的信息。

 

这里我使用的是sm.ms的图床(该图床无需登录,且速度快,算得上是一个好的选择)

 

//sm.ms的使用方法,建议看官方文档
package com.guard.tool;
import com.google.gson.Gson;
import com.google.gson.reflect.TypeToken;
import okhttp3.*;
import java.io.File;
import java.io.IOException;
public class CloudUpload {
  public String toUrl(String path) throws IOException {
//    String file_path = "E:/machine_learning/test8.jpg";
    String file_path = path;
    OkHttpClient client = new OkHttpClient().newBuilder()
            .build();
    MediaType mediaType = MediaType.parse("multipart/form-data");
    RequestBody body = new MultipartBody.Builder().setType(MultipartBody.FORM)
            .addFormDataPart("smfile",file_path,
                    RequestBody.create(MediaType.parse("application/octet-stream"),
                            new File(file_path)))
            .addFormDataPart("format","json")
            .build();
    Request request = new Request.Builder()
            .url("https://sm.ms/api/v2/upload")
            .method("POST", body)
            .addHeader("Content-Type", "multipart/form-data")
            .addHeader("Authorization", "TlxzRSaVJj0o7HFZOd9sgdf4Jl60RA00")
   //这里的user-agent和Cookie需要自己打开网站,到网站的页面去拿取
            .addHeader("user-agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.107 Safari/537.36")
            .addHeader("Cookie", "SMMSrememberme=42417%3A10e8e9cb5281082b493fdee73381aeb2dca0bd3d; PHPSESSID=1gjog2em3ogof23vrqi79vd41m; SM_FC=runWNk3mPIiL8mzl%2FrlEfzM940LRKjLm182cm2qDrm4%3D")
            .build();
    Response response = client.newCall(request).execute();
    String result = response.body().string();
    System.out.println(result);
//    String result = response.body().string();
    Gson gson = new Gson();
    java.lang.reflect.Type type = new TypeToken<Image_data>(){}.getType();
    Image_data imge_data = gson.fromJson(result, type);
    System.out.println(imge_data);
    if (imge_data.getSuccess()){
      System.out.println(imge_data.getData().getUrl());
      return imge_data.getData().getUrl();
    }
    else{
      System.out.println("图片已经上传过一次!!");
      System.out.println(imge_data.getImages());
      return imge_data.getImages();
    }
  }
}

 

回传的json结果–这个就需要使用上面的插件来进行处理

 

{
    "success": true,
    "code": "success",
    "message": "Upload success.",
    "data": {
        "file_id": 0,
        "width": 192,
        "height": 454,
        "filename": "test25.jpg",
        "storename": "xICPNzFsfth5uJk.png",
        "size": 124993,
        "path": "/2021/08/01/xICPNzFsfth5uJk.png",
        "hash": "2exIdQGvBru46RKMyNjg3DhCTO",
        "url": "https://i.loli.net/2021/08/01/xICPNzFsfth5uJk.png",
        "delete": "https://sm.ms/delete/2exIdQGvBru46RKMyNjg3DhCTO",
        "page": "https://sm.ms/image/xICPNzFsfth5uJk"
    },
    "RequestId": "9BFE9DEB-8370-44C8-A8AF-AAB2DB753A18"
}

 

总结

 

以上就是我这次在小组编写<基于CNN图像分类的水稻病虫害识别>这个项目中的收获。在此记录下学习路上踩过的一些坑和一些解决方法。

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注