TensorFlow模型部署到服务器---TensorFlow2.0

时间 2021-08-12

标签前端 java python web json flask api 服务器 app 框架栏目 Java 繁體版

原文原文链接

前言

当一个TensorFlow模型训练出来的时候，为了投入到实际应用，因此就须要部署到服务器上。因为我本次所作的项目是一个javaweb的图像识别项目。全部我就想去寻找一下java调用TensorFlow训练模型的办法。前端

因为TensorFlow好久没更新的缘故，网上的博客大都是18/19年的，而且是基于TensorFlow1.0的，对于如今使用的TensorFlow2.0不太友好。java

下面我简述一下TensorFlow1.0时期的方法：python

1.动态模型生成不便

须要将训练的.h5模型转换成.pb模型，而且须要本身定义.pb模型的输入输出参数。（pb模型是一种基于动态图的模型）web

pb的生成代码冗长、并且对初学者真滴不太友好json

相比之下.h5模型的生成代码就一行flask

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

2.maven导包不便

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

现状：app

而且maven官网上的TensorFlow2.0的api已经更名成了tensorflow-core-api，而且网上相关方面的教程十分难找。因为网上都是导入的1.0的包，本身导入2.0的包以后，详细的调用教程能够说是没有。从上面也能够看出来TensorFlow对java的调用也不怎么重视了。因此这又给学习的途中徒增了不少困难。框架

全新思路

思路一

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

代码以下

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;
    }
}

可是咱们能够看出，这个实际上是用java在win上跑了这样一个指令

虽然这个确实是一个好办法，可是这个路径参数须要事先知道服务器上的路径，而且在协做开发的时候，每一个人的路径和环境就不一样，虽然该方法能用，可是我认为还不够好。

思路二

咱们能够直接用python的flask框架，直接生成一个api接口，就能够远程直接调用TensorFlow训练好的模型进行结果预测。

我的认为，这种方法相较于用java调用命令行，这种方法仍是更加直观的

而且flask仅仅须要加个@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 （改成本身的）

    # path_test = "resource/test24.jpg"
    api_token = "fklasjfljasdlkfjlasjflasjfljhasdljflsdjflkjsadljfljsda"
    path_test = image_processing.download_img(path,api_token)

    # 建立保存图像的空列表
    imgs = []
    img = cv2.imread(path_test)
    img = cv2.resize(img, (w, h))
    # 将每张通过处理的图像数据保存在以前建立的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")
    # 建立图像标签列表
    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]]

为了实现图片外连接受，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，视状况加须要的条目，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

虽然咱们可以经过postman进行测试接受到回传的结果，可是咱们要怎么用java实现呢？？

1.使用postman生成大体代码框架（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数据以后，就须要对json数据进行解析

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

(这里能够用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！！";
        }

这样的话就能够进行json数据的解析了。

图链制做

因为须要使用java发送post请求给flask的预测端口，那么就须要把本地上传的数据作成图链，把图链做为数据传给flask的预测端口，从而来接收结果。

因为前端js的知识大多遗忘，这里就选用了用java来发送一个post请求，得到回传的信息。

这里我使用的是sm.ms的图床（该图床无需登陆，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须要本身打开网站，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--这个就须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

以上就是我此次在小组编写<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。