电子商务的网站建设要求步骤,手机上可以建设网站吗,大同网站建设企业,怎样申请一个免费的网站空间原文#xff1a;Hands-On Python Deep Learning for the Web 协议#xff1a;CC BY-NC-SA 4.0 译者#xff1a;飞龙 本文来自【ApacheCN 深度学习 译文集】#xff0c;采用译后编辑#xff08;MTPE#xff09;流程来尽可能提升效率。 不要担心自己的形象#xff0c;只关… 原文Hands-On Python Deep Learning for the Web 协议CC BY-NC-SA 4.0 译者飞龙 本文来自【ApacheCN 深度学习 译文集】采用译后编辑MTPE流程来尽可能提升效率。 不要担心自己的形象只关心如何实现目标。——《原则》生活原则 2.3.c 第 3 节用于 Web 开发的不同深度学习 API 入门
本节将说明 API 在软件开发中的一般用法并说明如何使用不同的最新深度学习 API 来构建智能 Web 应用。 我们将涵盖自然语言处理NLP和计算机视觉等领域。
本节包括以下章节
“第 5 章”“通过 API 进行深度学习”“第 6 章”“使用 Python 在 Google Cloud Platform 上进行深度学习”“第 7 章”“使用 Python 的 AWS 上的 DL对象检测和家庭自动化”“第 8 章”“使用 Python 在 Microsoft Azure 上进行深度学习”
五、通过 API 进行深度学习
到目前为止我们已经熟悉了深度学习项目中遵循的基本流程。 在上一章中我们已经使用 Keras 和 TensorFlow.js 库完成了两个基本的端到端项目。 我们已经熟悉 NumPypandas 和 Keras 等 Python 库并且还了解了如何使用 JavaScript 开发深度学习模型。 我们还使用了 Flask 框架从深度学习模型中创建 API。 在“第 4 章”“TensorFlow.js 入门”中我们使用了第三方应用编程接口API创建了一个网站应用。
在本章中我们将详细研究 API 的整个概念。 从更为非正式的 API 定义开始我们将研究与深度学习相关的所有 API。 我们将首先看一些最广为人知的深度学习 API然后再看一些鲜为人知的深度学习 API。 我们还将学习如何选择深度学习 API 供应商。
在本章中我们将讨论以下主题
什么是 APIAPI 与库有何不同一些广为人知的深度学习 API一些鲜为人知的深度学习 API选择深度学习 API 提供商
什么是 API
让我们首先考虑一个问题场景。
假设您正在使用需要将图像识别模块集成到其中的 Web 应用。 但是您不喜欢计算机视觉和深度学习。 您有一个非常严格的截止日期才能参加该项目。 您无力致力于学习深度学习然后完成项目的图像识别模块。 您现在应该怎么办 您的项目会在指定的期限内完成吗
绝对不会 但是借助 API 的强大功能您将能够轻松地将图像识别模块集成到 Web 应用中。 现在让我们更详细地讨论 API 的概念。
API 是可以集成到应用中以执行某些任务的一组函数尽管从技术上讲API 可以仅包含一个函数。 通常作为开发人员我们希望将喜欢的网站中的特定工具集成到自己的应用中。 例如Twitter 提供了一个 API用于检索与某个关键字匹配的推文。 我们可以使用此 API 来收集数据对其进行分析并最终得出有关数据的有趣见解。
FacebookGoogleStack Overflow 和 LinkedIn 等公司提供用于某些任务的 API作为开发人员值得一试。 API 实际上类似于网站。 当我们单击网站上的某些内容时我们将被重定向到另一个页面/部分。 在大多数情况下我们将网页作为输出。 但是API 通常不会产生美观的网页作为其输出。 应该从代码内部使用 API并且 API 的输出通常采用某些流行的数据交换格式例如 JSON 或 XML。 然后针对使用 API的应用相应地处理输出。 API 使您可以通过提供一套工具或生态系统来完成想要执行的任务而不必担心细节。
您现在可以测试 API而无需编写任何代码。 例如您可以使用诸如 Postman 之类的 API 客户端并测试您真正喜欢的开放 API并且不需要编写任何代码即可执行此操作。
关于 API 的更神奇之处在于您可以例如使用 Java 编写代码并使用以 Python 开发的 API。 当您在团队中工作时人们对他们使用的不同编程语言非常关注时这特别有用。 您的一个团队成员可能非常喜欢使用 Java而另一个团队成员可能是 Python 专家。 因此在这些情况下API 的整个概念确实派上了用场。
我们将讨论由 Google AIFacebook AI Research 等提供的一些深度学习 API。 在接下来的章节中我们将看到如何使用这些 API 来开发智能 Web 应用。
使用 API 的重要性
API 除了在需要快速生产或最小工作量的产品演示时为您节省创建和部署自己的深度学习模型的大量工作之外API 还可以提供一些好处例如 一个标准的稳定模型 深度学习的 API 通常是由一群开发人员共同创建的这些开发人员共同使用行业标准技术和研究工具但可能并非所有开发人员都可以使用。 而且通过商业 API 部署的模型通常非常稳定地使用并提供最新的功能包括可伸缩性自定义和准确率。 因此如果您遇到精度问题这是深度学习模型生产中的常见情况那么选择 API 是一个不错的选择。 高性能模型 商业深度学习 API 通常在非常强大的服务器上运行并且在很大程度上进行了优化因此它们可以非常快速地执行任务。 因此如果您希望加快深度学习生态系统的学习速度则此类 API 非常方便。 开发人员常用的平台 从头开始编写任何东西都很简单但是当最初编写该文件的人离开时却没有出示适当的文档而一个新的人不得不从他们停下来的地方开始工作这将变得非常困难。 商业 API 定义了一套操作标准并且集成有此类 API 的应用易于维护因为 API 供应商也始终包含大量文档这意味着开发人员可以事先了解 API。 定期和无缝更新 对于刚起步的公司来说一旦他们运行了第一个版本就花大量的开发时间来改善深度学习模型通常是很昂贵的特别是如果它们的整个商业模型不是特别以人工智能为中心的话。 任何此类用例都将从 API 使用中受益匪浅因为 API 由推送常规更新和新功能的人员维护。
考虑到所有这些然后使用 API 提供了最新的技术高性能和不断发展的模型这些模型可以一次插入到应用中然后使用多年而无需再次考虑 API。
现在您可能会问 API 和库之间有什么区别。 让我们在下一部分中查找。
API 与库有何不同
如今术语库和 API 可互换使用。 两者之间有很多相似之处但是在很多方面都不同。 与 API 一样库也提供了可以根据需要使用的函数和类的集合。 以下是一些指针可以帮助您区分库和 API 库通常特定于编程语言。 例如如果使用的是 PHP 编程环境则不能使用 SciPy Python 库。 但是您可以开发一个使用 SciPy 的 API然后使用您的 PHP 代码使用该 API。 开发人员无法直接访问 API。 API 的使用方式与库的使用方式不同。 在开发人员实际使用它们之前许多 API 会强制执行某种认证。 在使用库时我们很少看到这种情况。 您可以轻松地覆盖和重载库函数或类然后按需使用它。 库和 API 可以相互结合使用。 许多库在内部使用不同的 API反之亦然。
这些应该使您对库和 API 之间的基本区别有所了解。 但是如果您仍然难以划清界限请不必担心我们将研究许多示例并且当您完成这些示例时您肯定可以区分 API 和库。
现在我们将介绍一些 API这些 API 广泛用于开发支持深度学习的应用其中一些众所周知而有些则不那么受欢迎。
一些广为人知的深度学习 API
在本节中我们将介绍一些使用最广泛的 API这些 API 已部署用于各种深度学习任务例如图像识别图像中的情感检测情感分类语音到文本转换等。 为了限制本节中的讨论我们将深度学习任务分为两大类
计算机视觉和图像处理自然语言处理
然后我们将列出与每个组相关的一些常见任务并讨论可用于完成这些任务的 API。
现在让我们快速列出一些常见的深度学习任务并将其分配给它们的类别 计算机视觉和图像处理 图像搜索就像 Google 搜索一样图像搜索引擎允许我们搜索与特定图像相似的图像。图像检测这是在检测图像的内容。 这也称为标签检测。对象定位给定包含一组不同对象的图像这涉及检测图像中的特定对象。内容审核给定图像这涉及检测不适当的内容。图像归因给定图像这涉及到图像的不同特征的提取。 自然语言处理 词性标记给定一段文本这涉及提取文本包含的词性。主题摘要给定一段文本这涉及确定文本所涉及的主题。情感分类给定一些文本这涉及预测文本所传达的情感。命名实体识别这涉及自动识别给定句子中存在的不同实体。语音到文本的转换这涉及到一段语音中包含的文本的提取。
此处列出的所有任务在我们的日常生活中都非常有用很高兴得知我们可以使用现在将要讨论的 API 制作能够为我们完成这些任务的应用。
还有其他深度学习 API 可以大规模进行临时推理但是暂时我们可以忽略它们而将注意力集中在受深度学习影响最大的两个领域。
下表汇总了一些业内使用最广泛的深度学习 API
提供者API分组谷歌视觉 API计算机视觉和图像处理视频智能 API自然语言 API自然语言处理语音转文字 API文字转语音 API翻译 APIDialogflow API脸书DensePose计算机视觉和图像处理Detectron亚马逊亚马逊 Rekognition计算机视觉和图像处理亚马逊 Comprehend自然语言处理亚马逊 Textract亚马逊 Polly亚马逊翻译亚马逊转写微软计算机视觉计算机视觉和图像处理视频索引器人脸内容主持人文字分析自然语言处理必应拼写检查翻译文字语言理解
上表中显示的 API 是使用经过良好测试和可扩展的深度学习 API 时最受欢迎的 API。 但是还有一些其他名称尚未像这些名称一样流行。 在下一节中我们将研究它们。
一些鲜为人知的深度学习 API
下表提供了一些鲜为人知的 API 的一些详细信息
提供者API组沃森沃森虚拟识别计算机视觉和图像处理沃森文字转语音自然语言处理沃森自然语言分类器沃森对话沃森自然语言理解ATTATT 演讲自然语言处理Wit.ai演讲自然语言处理信息实体
现在在这片几乎是全部API 中您如何选择用于特定任务的特定提供者 这可能很棘手需要进行讨论。 在本节中我们将讨论可以有效帮助我们做出这些决策的一些策略。
选择深度学习 API 提供商
拥有可编译的一整套用于深度学习的 API 供应商决定所需的 API 可能是一项艰巨的任务。 但是您可以遵循一些简单的规则来提出最适合您的需求的 API我们将在这里详细讨论其中的一些
平台 听起来很简单这可能是您选择 API 供应商时最重要的因素。 例如在大多数情况下如果您要开发基于 Google 技术运行的产品则可能要使用 Google 提供的深度学习 API因为它们会与您使用的应用开发接口无缝集成。通常开发环境还提供模板化的解决方案以使用其设置非常简单的深度学习 API。 有时提供商可能还会提供额外的激励措施以使用其 API 开发新产品。 效果 通过访问多个提供商的 API 来执行一项任务您可以比较它们的表现然后选择。 在这种情况下比较和判断不同 API 时所使用的度量标准取决于您。 费用 不同的提供商使用不同的成本核算方法这在决定使用哪个提供商方面可以发挥巨大作用。 某个提供商可能会对免费 API 调用进行实验的数量有适当的限制因此对于您来说可能是一个有利可图的选择。 通常有经验的开发人员和学生会选择与成本方面最优惠的提供商合作。
除了这三个因素之外还有其他一些不可否认的因素例如一家公司要求使用某个 API 或您自己对某个 API 供应商的倾向。 但是除非大规模使用否则使用哪个供应商几乎没有多大关系因为它们都为中小型使用提供相似的表现。
总结
在本章中我们详细介绍了术语 API。 在“第 3 章”和“创建第一个深度学习 Web 应用”中我们看到了如何使用 Python 编写 Flask API我们看到了如何在 Web 应用中使用该 API。 现在我们知道 API 与语言库的区别以及使用 API的重要性。 我们熟悉一些顶尖组织提供的各种深度学习 API。
在接下来的章节中我们将了解如何使用这些 API 来构建功能强大且智能的 Web 应用。 在下一章中我们将从 Google Cloud Platform 提供的深度学习 API 开始。
六、Google Cloud Platform 上的 Python 深度学习
在上一章中我们看到了各种组织提供的各种深度学习 API。 我们还看到它们的适用性大致分为两类第一类是计算机视觉和图像处理第二类是自然语言处理。 我们还将在本章中继续探索深度学习 API。 本章向您介绍 Google Cloud PlatformGCP以及它在深度学习领域提供的三个 API。
在本章中我们将介绍以下主题
设置您的 GCP 帐户在 GCP 上创建您的第一个项目在 Python 中使用 Dialogflow API在 Python 中使用 Cloud Vision API在 Python 中使用 Cloud Translation API
技术要求
您可以从这里访问本章的代码。
要运行本章中的代码您的系统上需要安装 Python 3.6。
本章将介绍其他必要的安装。
设置您的 GCP 帐户
在继续使用 GCP 提供的 API 之前您必须设置您的 GCP 帐户。 假设您已经拥有 Google 帐户-首先转到这里。 如果您是第一次注册GCP 会给您 300 美元的信用额度您可以使用 12 个月 这种信誉足以容纳许多优秀项目并使您能够试用 GCP 的产品。 完成此操作后我们可以按照以下步骤操作
在 GCP 主页的右上角您应该能够找到“免费试用”按钮。 只需单击它
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qu1sdCXO-1681705088841)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/8d0065fb-e97a-457a-bca4-8a70e70fa661.png)]
如果您尚未登录 Google 帐户则会要求您登录。相应地选择您所在的国家/地区并确保选中服务条款框。 之后单击“同意并继续”。 您将在以下屏幕截图中看到一个页面
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lf5gf0pK-1681705088842)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/c2b7f7a6-bbb5-4daf-8a80-e52ef7edd315.png)]
然后系统会要求您输入所选付款方式的详细信息。 即使您有免费的积分也要使用 GCP 的工具也需要设置一个有效的结算帐户。 但请放心除非您允许 GCP 这样做否则不会从您的结算帐户中向您收费。 免费试用期间将仅从您的免费信用额中扣除您将在 GCP 上使用的所有计费工具。 一旦您的免费信用额度限额终止GCP 就会向您发送提醒。
完成结算手续后您应该进入 GCP 的控制台页面该页面如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0anyOu28-1681705088842)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/469c0188-c363-4a28-a15f-d060ca342a01.png)]
这实际上是您的 GCP 信息中心可为您提供 GCP 使用情况的总体摘要。 GCP 还允许您自定义出现在 GCP 控制台上的标签。
现在您应该完成 GCP 帐户设置。 为了能够使用 GCP 中的工具您需要创建一个带有有效账单帐户的 GCP 项目。 在下一节中您将看到如何执行此操作。
在 GCP 上创建您的第一个项目
一个项目可帮助您系统地组织所有 GCP 资源。 只需单击几下即可在 GCP 上创建项目
登录到您的 Google 帐户后使用这里打开 GCP 控制台。 在左上角您应该看到 Google Cloud Platform在其旁边您可以看到一个下拉列表如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ge827Htt-1681705088842)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/97baa6ef-0c5a-4258-b4d2-f1910f97cc82.png)]
如果您在注册 GCP 或之前注册时确实创建了任何项目则其中一个项目将显示在标记的区域中fast-ai-exploration 和 gcp-api 是我在 GCP 上创建的两个项目。 现在单击向下箭头将出现一个弹出窗口
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gnvHIM9X-1681705088843)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/d3f3ccc7-fc1e-4338-9fb3-f5704b19b0f7.png)]
单击“新项目”继续。 您应该最终显示在以下屏幕快照中的页面上该页面将要求您指定项目的名称。 GCP 会为您正在创建的项目自动生成一个 ID但也可以根据您的选择编辑该 ID
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-UczKUYgf-1681705088843)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/d1652d62-c16c-4b05-b638-cbbaaebcb4b0.png)]
在指定完项目的初始详细信息之后只需单击CREATE即可创建该项目。 创建项目后它应出现在项目列表中。 您始终可以使用 GCP 在其控制台页面上提供的便捷下拉菜单导航至此列表。 您可以在以下屏幕截图中看到它
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jkuBnWkI-1681705088843)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/eec5591a-a3f9-4e1a-b6aa-bbe3b0be234a.png)]
如果您想了解有关 GCP 项目的更多信息可以在这个页面上查看官方文档。 GCP 配备了各种工具可在这里中找到。 鼓励您看一下并就自己的兴趣进行探索。
GCP 为我们提供了广泛的 API可用于各种任务包括深度学习。 在接下来的两节中我们将了解如何使用 Python 代码来使用一些使用最广泛的深度学习 API。 我们将从 Dialogflow 开始。
在 Python 中使用 Dialogflow API
在开始学习如何在 Python 中使用 Dialogflow API 之前让我们了解 Dialogflow 的全部含义。
Dialogflow以前称为 api.ai提供了一套工具用于构建自然而丰富的对话界面例如语音助手和聊天机器人。 它由深度学习和自然语言处理提供支持并被许多公司使用。 它与网站移动应用以及许多流行的平台例如 Facebook MessengerAmazon Alexa 等无缝集成。 Dialogflow 为我们提供了构建对话用户界面的三个主要组件
可以轻松应用于任何对话用户界面的最佳做法和流程添加构建会话用户界面可能需要的任何自定义逻辑的功能训练智能体的设施以便微调界面的整体体验
现在我们将看到如何使用 Dialogflow 在 Python 中创建一个简单的应用。 您可以参考这里了解有关 Dialogflow 的更多信息。
我们将从创建 Dialogflow 帐户开始。
创建一个 Dialogflow 帐户
创建 Dialogflow 帐户非常简单。 该过程涉及以下步骤
访问这里您将看到以下屏幕
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6bhHB1oq-1681705088844)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/397707d9-086c-4cdf-902b-4ec2d5944ec1.png)]
单击“使用 Google 登录”按钮后将要求您选择要用于 Dialogflow 的 Google 帐户。选择帐户时可能会要求您允许 Diagflow 的帐户权限并接受 Dialogflow 条款和条件。
创建一个新智能体
创建帐户后将为您提供一个仪表板该仪表板将显示您活动的 Dialogflow 项目或要求您创建要显示的新智能体但是智能体是什么
用 Dialogflow 术语来说智能体是一种软件执行从用户接收输入的任务该输入可能采用文本音频图像或视频的格式。 然后它尝试确定意图或与输入对应的先前定义的适当操作。 匹配的意图可能会执行动作或者可能只是对用户输入的查询产生超文本响应。 最后智能体将结果返回给用户。
要创建新智能体请在 Dialogflow 控制台的左侧导航菜单中单击“创建智能体”。
屏幕上将显示以下屏幕
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kJIwFpy3-1681705088844)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/9023d9b6-88bb-447f-aeb6-17b44aae03b8.png)]
我们已将智能体 DemoBot 命名为默认语言并将其设置为英语。 此外我们必须为智能体选择一个 Google 项目。
Google 项目或者简称为项目是您在 GCP 研究中遇到的一个术语。 一个项目包含分配给使用这些资源并由 GCP 上的一个计费帐户提供资金的任何软件项目的全部资源。 如果没有为资源定义项目则无法分配资源。 此外如果不向其添加有效的计费选项则无法创建任何项目。
现在您将能够看到一个屏幕如以下屏幕截图所示其中为您的智能体提供了某些默认意图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HxggLaLw-1681705088844)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/768479fc-f213-41d9-898d-927c60d1869b.png)]
在左侧您可以看到导航菜单该菜单提供了可以在您的智能体中组合在一起的所有各种模块以实现软件提供的更好的类似于人的交互。 在右侧面板中您可以选择随时使用您提供的任何输入来测试智能体。 这将在开发响应时以及在测试意图与提供的输入的匹配时派上用场。
创建一个新的意图
要为我们的智能体创建新的意图请按照下列步骤操作
单击中间部分右上角的“创建意图”按钮。您需要为此目的提供一个名称-假设Dummy Intent。然后我们将需要提供一些触发此意图的训练短语。 假设我们提供了三个训练短语如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uzAhd3FE-1681705088845)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/a4a2458f-1671-4689-b374-e77d590feef0.png)]
现在我们可以期望只要系统遇到训练中提到的短语或类似短语就会调用此意图。
现在我们可以添加一些调用该意图时智能体将做出的响应如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8sONwYyl-1681705088845)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/384b2f86-2a4f-40e0-8d34-b77951aa764d.png)]
在中间部分的右上角单击“保存”按钮以保存新的意图然后将通知您座席训练已开始。
对于小型智能体训练将在几秒钟内完成并且将为您提供智能体训练已完成的通知。
现在我们准备测试我们的智能体是否能够执行此意图。
测试您的智能体
在 Dialogflow 控制台的右侧部分您将能够测试您的智能体。 在顶部文本字段中输入查询。 在我们的智能体中要调用Dummy Intent我们将编写为Talk to the dummy。
如果意图正确匹配您将能够看到Dummy Intent的响应如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xGZxl5ra-1681705088846)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/9846d629-256f-4200-a012-02f6dba24730.png)]
在上一个屏幕截图中您将看到用户的输入为Talk to the dummy生成的响应是我们在Dummy Intent响应中定义的两个响应之一。 您可以观察到与输入匹配的意图是Dummy Intent。
现在我们将研究如何使用 Python 调用智能体。
安装 Dialogflow Python SDK
在本节中我们将演示如何将 Dialogflow Python API V2 与 Dialogflow 智能体一起使用以使使用 Python 构建的应用具有交互性。 首先让我们了解 DialogFlow 生态系统的几个组件如何与下图交互
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cTzuWAvC-1681705088846)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/48741d83-0b89-4933-a7f4-df36291f5f9a.png)]
用户创建输入然后通过集成 API网站或应用将其发送到智能体。 智能体将用户输入与可用意图进行匹配并产生对查询的满足。 响应通过 Webhook 发送回用户界面并将响应呈现给用户。
集成 API 很有可能包含 Dialogflow 以外的服务。 您可以创建一个应用该应用可以将同一用户查询传播到多个智能体并合并他们的响应。
另外开发人员可以引入中间件处理器或集成它们将对用户查询和智能体响应进行预处理或后处理
要安装 Dialogflow Python SDK我们在终端中使用以下命令
pip install dialogflow强烈建议您先使用virtualenv创建一个虚拟环境然后再使用上一个命令来创建干净无间断的依赖关系。 要了解有关virtualenv的更多信息请参阅这里。
安装完成后您将可以使用以下导入代码将 Dialogflow API 导入到项目中
import dialogflow现在我们将创建一个 GCP 服务帐户来验证我们的 Python 脚本以便使用我们创建的 Dialogflow 智能体。
创建 GCP 服务帐户
GCP 服务帐户管理提供的访问 GCP 资源的权限。 我们创建的 Dialogflow 智能体是 GCP 资源因此要从 Python API 使用它我们需要一个服务帐户
在 GCP 控制台的左侧导航菜单中转到“API | 服务 | 证书”。单击“创建凭据”按钮以获取以下选项
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9t0ZJtuM-1681705088846)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/6bbe0df1-e132-459f-bc1b-f48cfb9be413.png)]
单击“服务帐户密钥”。 在接下来出现的页面中选择Dialogflow Integrations作为服务帐户选择 JSON 作为密钥类型。 单击“创建”后将 JSON 文件下载到您的计算机。记下此 JSON 文件的地址例如/home/user/Downloads/service-account-file.json。 文件名可能会有所不同因为将文件下载到计算机时由 GCP 控制台提供。打开此文件以获取项目 ID。现在在终端中使用以下命令系统中将使用适当的替代命令将凭据导出到环境变量
export GOOGLE_APPLICATION_CREDENTIALSyour_service_account_file_location
export DIALOGFLOW_PROJECT_IDyour_project_id
set GOOGLE_APPLICATION_CREDENTIALSyour_service_account_file_location
set DIALOGFLOW_PROJECT_IDyour_project_id
完成此操作后我们现在就可以编写将调用 Dialogflow 智能体的 Python 脚本了。
请注意前面的命令仅设置当前会话的变量。 每次重新启动会话时都需要运行命令。
使用 Python API 调用 Dialogflow 智能体
在此示例中我们将创建一个简单的基于 Python 的 API该 API 调用在 Dialogflow 控制台中创建的智能体以调用Dummy Intent如下所示
首先我们必须将 Dialogflow 模块导入到项目中。 为此请使用以下代码
import dialogflow为了将项目 ID 放入脚本中我们可以从运行时环境变量中获取它。 为此请使用以下代码
import os
project_id os.getenv(DIALOGFLOW_PROJECT_ID)我们还将声明一个唯一的会话 ID以存储在与用户进行的任何单个会话中进行的会话的记录
session_idany_random_unique_string现在我们将创建一个方便的函数该函数将允许我们重复执行调用 Dialogflow 智能体所需的一组预处理语句
def detect_intent(project_id, session_id, text, language_code):session_client dialogflow.SessionsClient()session session_client.session_path(project_id, session_id)text_input dialogflow.types.TextInput(texttext, language_codelanguage_code)query_input dialogflow.types.QueryInput(texttext_input)response session_client.detect_intent(sessionsession, query_inputquery_input)return response.query_result.fulfillment_text在前面的代码中我们将首先初始化SessionsClient对象。 一个会话记录了一次不间断会话期间用户与 Dialogflow 智能体之间的完整交互。 接下来我们必须设置会话的路径这是项目到唯一会话 ID 的映射。
前面的函数定义的后两行用于创建包含 Dialogflow TextInput对象的 Dialogflow QueryInput对象。 query_input变量保存用户为 Dialogflow 智能体输入的消息。
下一行调用SessionsClient对象的detect_intent()方法。 session ID-project ID映射与输入一起作为参数传递给方法。 Dialogflow 智能体的响应存储在响应变量中。 该函数返回实现文本响应。
现在让我们使用此方法。 首先声明一条消息以传递给 Dialogflow 智能体。 回忆我们为Dummy Intent提供给 Dialogflow 智能体的训练短语。 我们将传递与训练短语相似的消息
message Can I talk to the dummy?fulfillment_text detect_intent(project_id, session_id, message, en)print(fulfillment_text)我们将获得一个输出该输出是我们为Dummy Intent定义的两个响应之一。
在detect_intent()方法中生成响应变量可以通过在detect_intent()函数中添加以下代码行来完成
def detect_intent(project_id, session_id, text, language_code):...response session_client.detect_intent(sessionsession, query_inputquery_input)print(response) ### --- ADD THIS LINEreturn response.query_result.fulfillment_text您将获得以下 JSON
response_id: d1a7b2bf-0000-0000-0000-81161394cc24
query_result {query_text: talk to the dummy?parameters {}all_required_params_present: truefulfillment_text: Congratulations, dummy intent user!fulfillment_messages {text {text: Congratulations, dummy intent user!}}intent {name: projects/gcp-api-232806/agent/intents/35e15aa5-0000-0000-0000-672d46bcefa7display_name: Dummy Intent}intent_detection_confidence: 0.8199999928474426language_code: en
}您将观察到匹配的意图的名称为Dummy Intent而在此智能体调用中我们得到的输出为Congratulations, dummy intent user!。
还有其他几种使用 Python 使用 Dialogflow API 的方法包括但不限于视听输入和基于传感器的输入。 Dialogflow 智能体可以与主要平台集成例如 Google AssistantFacebook MessengerSlackTelegramWhatsApp 和其他几个平台如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-sFTTKpD5-1681705088847)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/1d530c5f-6145-41e3-8de2-e80c9a4b511e.png)]
Dialogflow 生态系统正在迅速引入新功能并且正朝着提供可以同时执行多个任务的完整的基于 AI 的聊天机器人的方向发展。
在下一节中我们将探索另一个 GCP API该 API 可用于预测图像和视频的内容。
在 Python 中使用 Cloud Vision API
计算机视觉是使计算机理解图像并理解图像的领域。 常见的计算机视觉任务包括图像分类图像检测图像分割等。 如前几章所述深度学习在实现人类水平有时甚至更好的表现方面的有效性已严重影响了计算机视觉领域。
Cloud Vision API 为我们提供了许多用于执行计算机视觉任务的工具。 Cloud Vision 允许我们使用预先训练的模型以及建立自己的定制生产模型来满足我们的需求例如 AutoML Vision Beta。 现在让我们简要地看一下 Cloud Vision API 提供的功能
标签检测光学字符识别手写识别地标检测对象定位图片搜索产品搜索
除了前面提到的功能之外Cloud Vision 还允许我们提取给定图像的不同属性。 以下屏幕截图显示了此工具
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9IMTjW9Y-1681705088847)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/278c72a8-1139-4273-a4e3-2d4f2274343d.png)]
如我们所见当提供图像时Cloud Vision API 会自动提取其属性。 您也可以通过转到这里来尝试此操作。
从较早的章节开始我们一直在使用术语预训练模型。 我们还看到了 Cloud Vision API 如何使我们整合预训练的模型。 为了理解使用它们的重要性有必要对术语“预训练的模型”进行更深入的研究。
使用预训练模型的重要性
预训练模型的使用通常称为迁移学习。 迁移学习并不是深度学习的基础它只是一种方法。 它并不表示特定的深度学习模型但其对迁移学习的含义非常有效尤其是在深度学习环境中。
我们人类不会从头开始学习每一项任务。 我们尝试利用过去的经验来完成性质相似的任务。 这是迁移学习。 我们倾向于将过去的经验知识迁移到我们遇到的类似任务上。
但这如何适用于深度学习 让我们找出答案。
当针对特定任务训练神经网络时它会尝试估计可能的最佳权重矩阵的值。 现在当您尝试在类似任务上训练另一个网络时事实证明您可以使用上一个任务的权重。 这里的“相似性”定义很宽泛暂时可以避免。 但是您可能想知道这里的优势是什么。 好吧优点是多方面的但是这里有两个示例
您无需从头开始训练您的神经网络这可以节省大量时间。它利用了机会来使用与您的问题域类似的最新结果。
在文献中使用网络权重的任务称为源任务将权重应用于的任务称为目标任务。 您使用权重所依据的网络模型称为预训练模型。 Goodfellow 等。 在他们的书深度学习中给出了迁移学习的非常微妙的定义
“在一种情况下所学到的东西被用来改善另一种情况下的泛化性的情况。”
在自然语言处理NLP计算机视觉等领域的广泛深度学习应用中迁移学习的使用已显示出非凡的成果。 但是迁移学习也有其局限性
当源任务与使用迁移学习的任务不充分相关时迁移学习会导致表现下降。有时很难确定从源任务到目标任务需要多少迁移。
对于迁移学习的深入研究建议您阅读 Dipanjan 等人的书籍 《Python 迁移学习实践指南》。 现在我们将借助示例学习如何使用 Python 使用 Cloud Vision API。
设置视觉客户端库
Cloud Vision API 可通过一组适用于不同语言的库称为 Vision Client 库获得。
此集中提供的一个此类库是 Python Cloud Vision 客户端库我们将在示例中使用该库
要安装 Python Cloud Vision 客户端库我们在终端中使用以下命令
pip install --upgrade google-cloud-vision强烈建议您使用 Python 虚拟环境安装 Vision Client 库。 安装完成后我们将需要设置一个服务帐户以使用 API。 如前所述设置服务帐户应遵循的步骤如下 打开 Google Cloud 控制台。转到“API | 服务 | 证书”。单击“创建凭据”。在下拉菜单中选择“新服务帐户”以选择服务帐户。填写服务帐户的任何名称。取消选中角色。 使用 Cloud Vision API 时不需要这样做。单击“创建”。 确认出现的所有警告框。service account credentials JSON 文件已下载到您的计算机。 现在像我们之前所做的那样将下载的文件导出到系统环境。 为此请使用以下命令
export GOOGLE_APPLICATION_CREDENTIALS/home/user/Downloads/service-account-file.json
set GOOGLE_APPLICATION_CREDENTIALS/home/user/Downloads/service-account-file.json作为使用 Cloud Vision API 的最后一步我们需要在我们为其创建服务帐户的项目中启用该 API。 为此请执行以下操作 在 Google Cloud 控制台的左侧导航面板中单击“API 和服务”。单击“启用 API 和服务”。在出现的列表中找到 Cloud Vision API。单击“启用”。
之后我们准备在脚本中使用 Python 使用 Cloud Vision API。
使用 Python 调用 Cloud Vision API
让我们创建一个新的 Python 脚本或 Jupyter 笔记本。 为了使用 Cloud Vision API我们首先需要导入 Cloud Vision 客户端库。
为此我们使用以下代码
from google.cloud import vision这样我们就可以继续使用客户端库了。 在我们的示例中我们将对图像进行标注。 图像标注服务由视觉库中的imageAnnotatorClient()函数提供。 我们将创建该方法的对象
client vision.ImageAnnotatorClient()现在让我们将要测试的文件加载到程序中
with open(test.jpg, rb) as image_file:content image_file.read()请注意您必须在同一工作目录中包含test.jpg文件此文件才能工作。
该文件当前是程序的原始二进制数据文件。 为了使 Cloud Vision API 正常工作我们需要将其转换为 Vision 客户端将接受的图像类型
image vision.types.Image(contentcontent)最后我们呼吁 GCP 通过 Cloud Vision API 标注图像
response client.label_detection(imageimage)
labels response.label_annotations在打印了视觉 API 设置的标签后我们将能够在提供的图片中查看 Cloud Vision API 能够检测到的所有可能的对象和功能如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-AtTH4SL9-1681705088847)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/20979113-d6cc-4b94-be0e-1fc2f49ba1c0.png)]
如果打印labels结果应如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-EDoH6oKc-1681705088847)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/fccb87ea-584c-4f34-8559-40f1e95c5206.png)]
预测的标记是SkyHorizonAtmosphereSunriseSunsetMorningOceanCalmWing和Evening。
先前的预测非常接近先前照片中捕获的真实场景。 那是日出是从飞机窗上取下来的。
在 Python 中使用 Cloud Translation API
Cloud Translation API 可帮助开发人员轻松地将语言翻译功能集成到他们的应用中。 它由最新的神经机器翻译提供支持可以将其视为深度学习和机器翻译的结合。 Cloud Translation API 提供了用于使用预训练模型和构建可用于生产环境的自定义模型的编程接口。
许多开发人员使用 Cloud Translation API 的预训练模型将给定的一组文本动态翻译为目标语言。 Cloud Translate API 支持 100 多种语言。 但是该语言库正在不断发展以增强开发人员社区的能力。 以下屏幕截图显示了一些英语翻译成孟加拉语的译文
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-yrpDA2M5-1681705088848)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/eb0bdcce-a7ea-47a3-bd8f-4f49cb6251a6.png)]
您随时可以在这个页面上尝试此操作。 但是有时给定文本的语言本身可能是未知的。 Cloud Translation API 提供了称为标签检测的服务来处理此类情况。
Cloud Translation API 的 AutoML 变体使我们可以根据需要针对语言对源语言和目标语言构建自定义模型。
设置适用于 Python 的 Cloud Translate API
要将 Cloud Translation API 与 Python 一起使用我们必须首先安装 Google Cloud Translate Python 库。
为此请在终端中使用以下pip命令
pip install google-cloud-translate现在像以前一样创建一个服务帐户并下载凭据文件。 将此文件导出到GOOGLE_APPLICATION_CREDENTIALS环境变量的路径。接下来在要启用的 API 列表中找到Cloud Translate API。 完成后我们准备使用 GCP 直接从 Python 进行翻译。
使用 Google Cloud Translation Python 库
创建一个新的 Jupyter 笔记本或新的 Python 脚本。 现在我们将 Google Cloud Translate API 导入我们的项目。
为此请使用以下代码
from google.cloud import translate_v2 as translate我们将需要创建一个 Cloud Translate API 对象来进行服务调用。 我们可以这样做如下所示
translate_client translate.Client()现在让我们开始翻译过程。 首先我们需要一条消息来翻译
original uनमस्ते这样会在印地语中创建一个包含单词Namaste的 Unicode 字符串。 让我们看看它会转换成英文
我们调用 API 使用以下代码将文本翻译成英文
translation translate_client.translate(original, target_languageen)如果观察translation变量则会发现它包含以下详细信息
{translatedText: Hello, detectedSourceLanguage: hi, input: नमस्ते
}从该词典中可以轻松推断出检测到的语言是印地语由hi表示。 输入以输入的格式显示。translatedText保留Hello这是Namaste的确切翻译。
总结
在本章中我们探讨了 GCP 提供的一些著名的突破性的基于深度学习的服务。 我们学习了如何使用 Python 使用 Dialogflow 来构建可以随时间学习的对话式聊天机器人。 我们使用 Cloud Vision API 来预测任何图像中识别出的对象。 我们可以轻松地将其推断为视频并获得类似的结果。 最后我们介绍了 Cloud Translate API用于使用该服务执行基于 NLP 的深度转换。 GCP 提供的所有主要服务都可以通过 API 进行访问这使得它们可以在任何项目中轻松替换。 由训练有素的专业人员创建的模型的准确率值得称赞并且在尝试构建基于 AI 的 Web 解决方案时使 Web 开发人员的工作更加轻松。
在下一章中我们将介绍 Amazon Web ServicesAWS提供的功能以使用 Python 将 AI 与 Web 应用集成。
七、AWS 上的 Python DL对象检测和家庭自动化
我们熟悉了 Google Cloud Platform 的一些基于深度学习的产品并在“第 6 章”“在 Google Cloud Platform 上使用 Python 进行深度学习”中学习了如何使用它们。 现在我们对云计算有了一个很好的概述在本章中我们将介绍另一个云计算平台 Amazon Web ServicesAWS该平台还提供了一些高性能的以及高度可靠的基于深度学习的解决方案使生活更加轻松。 在本章中我们将以 API 的形式介绍它们中的两个并学习如何从 Python 程序中使用它们。
我们将首先设置我们的 AWS 账户并在 Python 中配置 boto3。 然后我们将学习如何在 Python 中使用 Rekognition API 和 Alexa API。
在本章中我们将介绍以下主题
设置您的 AWS 账户AWS 产品简介在 Python 中配置 boto3在 Python 中使用 Rekognition API在 Python 中使用 Alexa API
技术要求
您可以在这个页面上访问本章的代码。
要运行本章中的代码您将需要以下软件
Python 3.6Python PIL 库
本章将介绍所有其他安装。
AWS 入门
在使用任何 AWS 服务或 API 之前您必须创建您的 AWS 账户。 在本部分中我们将快速完成在 AWS 中创建帐户的步骤
第一步是转到这里。 您应该进入类似于以下内容的页面
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fgpBpRvl-1681705088848)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/6c5749db-c62e-4e24-b514-9ca21e1afe34.png)]
然后单击“创建 AWS 账户”按钮这将带您到以下页面
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tZS9KqwQ-1681705088848)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/69673107-63a9-4cbd-99da-9d9d8fc6876b.png)]
填写字段然后单击“继续”。门户将要求您提供一些更强制性的信息。 它还将要求您注册一种付款方式以验证您的详细信息。
如果您不提供此服务则您无权使用 AWS 工具的免费层。
在注册的最后一步将要求您在三个计划中选择免费开发人员和商业。 选择与您的需求相关的任何一个然后继续。
与 Google Cloud Platform 一样AWS 还提供免费的层访问。 首次注册 AWS 时您可以免费使用多种 AWS 服务和产品但只能使用一定数量的配额。 您可以转到这里了解更多信息。
完成上述步骤后您将获得如下页面
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RW7Ko11B-1681705088848)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/5ff22c05-d2b5-4d25-9f60-b37da3ec231c.png)]
AWS 具有为用户推荐解决方案和服务的美丽功能。 为了充分利用此功能您需要输入两件事-您的角色和您感兴趣的主题。 您可以在前面的屏幕截图中看到它。 输入这两个详细信息然后单击“提交”以获取一些有针对性的产品建议。
下一步是单击“登录到控制台”按钮。
成功登录到 AWS 控制台后应该会看到以下窗口
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ez9a1csb-1681705088849)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/fe00e39b-59ba-4a1f-a61c-0f67d4cca381.png)]
在 AWS 控制台中您可以找到 AWS 必须提供的所有服务和解决方案。 单击“服务”选项卡以随意探索整套服务。 您也可以从搜索栏中搜索特定的服务。
到现在为止我们的 AWS 账户应该已经准备好让我们动手了。 在下一节中我们将简要回顾 AWS 的产品以更好地了解该平台。
AWS 产品简介
AWS 在各种领域中提供其服务和解决方案。 以下是 AWS 提供的不同类型的模块括号中的是 AWS 提供的不同服务的名称 计算EC2Lambda 等 存储S3Storage Gateway 等 机器学习Amazon SageMakerAWS DeepLens 等 数据库RDSDynamoDB 等 迁移和传输SnowballDataSync 等 网络和内容交付CloudFrontVPC 等 开发人员工具CodeStarCodeCommit 等 机器人技术AWS RoboMaker 区块链Amazon Managed Blockchain 分析AthenaCloudSearch 等
还有许多其他内容如以下屏幕截图所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-sSCbYiX7-1681705088849)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/e773d1e1-5b71-45f0-b465-66fc5d2902dd.png)]
该列表实际上是相当广泛的但是暂时让我们将重点局限于机器学习也称为深度学习服务。
AWS 控制台中的搜索栏还使您可以搜索可能已经听说过的 AWS API。 让我们在其中键入Rekognition并点击Enter。 应该为您提供 Rekognition 的主页如以下屏幕截图所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ML2aiLfg-1681705088849)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/4df1029c-865e-4d73-8f88-fcb487bf9849.png)]
我们将在本章后面详细介绍 Rekognition API。 在下一部分中我们将学习如何使用 boto3一个提供 Python 编程接口的 AWS 开发工具包与不同的 AWS 资源进行交互。
Boto3 入门
boto3 是由 AWS 团队提供的用于与 AWS API 通信的官方库。 您可以在这个页面中找到该库可以使用以下命令进行安装
pip install boto3安装后您需要配置 boto3 以用于您的项目。 要配置 boto3第一步是从身份和访问管理IAM控制台。 请执行以下步骤来执行配置
转到这里的 AWS IAM 控制台。 它将如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-U7N8lb2y-1681705088849)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/53fc5106-5219-4269-9ace-5c45edc32c8b.png)]
在前面的仪表板上您将能够看到访问键。
单击删除您的根访问密钥然后单击管理安全证书。 您将看到以下窗口
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6Hu93V3k-1681705088849)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/3bb72eab-b62e-42b6-9dee-6cd77653770d.png)]
展开**访问密钥访问密钥 ID 和秘密访问密钥**选项卡然后从那里获取访问密钥。 密钥成功生成后您应该获得以下消息
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YJpjq5eS-1681705088850)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/2426808b-f6a7-462d-9692-8162fc50efbd.png)]
下载密钥文件并将其保存在安全的地方因为配置 boto3 时需要此文件。
配置环境变量并安装 boto3
获得访问密钥后创建两个环境变量aws_access_key_id和aws_secret_access_key。 现在在您拥有的键的帮助下相应地分配它们的值。 密钥将包含有助于您区分密钥 ID 和秘密访问密钥的信息。 现在您已经配置了必要的环境变量我们可以从在 Python 中加载环境变量开始。
在 Python 中加载环境变量
成功安装该库之后可以使用以下代码行加载刚刚创建的环境变量
import os
aws_access_key_id os.environ[aws_access_key_id]
aws_secret_access_key os.environ[aws_secret_access_key]一旦正确加载了环境变量我们就可以调用 boto3 与 AWS 资源进行交互。 假设您想加入您的 AWS 账户中拥有的 S3 存储桶并希望将图像上传到特定存储桶。 S3 是您要访问的 AWS 资源。 如果您的 AWS 账户中没有任何 S3 存储桶则无需担心 您可以快速创建一个。
创建一个 S3 存储桶
您可以通过执行以下步骤快速创建 S3 存储桶
转到 S3 控制台的主页。 它应如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-96FHrPx0-1681705088850)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/2f02b3a1-2449-470f-a1ab-2ee93093e353.png)]
点击创建存储区。 系统将要求您输入以下详细信息
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gjfHCInV-1681705088850)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/e9399ac7-840c-447c-93be-18677c3b69ea.png)]
为您的存储桶命名保留所有内容然后单击创建。 成功创建存储桶后您将能够从 S3 控制台中看到它
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Zx4hCkdk-1681705088850)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/86871ff5-e121-4939-b639-80c9587e7c56.png)]
接下来我们将学习如何使用 boto3 从 Python 代码访问 S3。
使用 boto3 从 Python 代码访问 S3
现在您可以从 Python 代码访问 S3 存储桶。 以下代码行将向您显示可用的存储桶
import boto3
s3 boto3.resource(s3,aws_access_key_idaws_access_key_id,aws_secret_access_keyaws_secret_access_key
)您在resource()的第一个参数中指定了对访问 S3 感兴趣。 您可以在这里阅读文档。 现在您可以通过以下几行代码找到可用的存储桶
for bucket in s3.buckets.all():print(bucket.name)您应该获得列表作为输出。 现在假设您要将图像上传到存储桶之一。 假设您要上传的图像位于当前工作目录中则以下代码行应将图像上传到特定的 S3 存储桶
data open(my_image.jpeg, rb)
s3.Bucket(demo-bucket-sayak).put_object(Keymy_image.jpeg, Bodydata)前面的代码行包含以下功能
my_image.jpeg是您要上传图像的路径。Bucket()方法中是将图像上传到的 S3 存储桶的名称。
如果代码成功执行您应该收到以下输出
s3.Object(bucket_namedemo-bucket-sayak, keymy_image.jpeg)您可以转到 AWS S3 控制台然后输入将映像上传到的存储桶以验证是否已上传映像。 您应该在那里看到以下内容
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xiFxtJd6-1681705088851)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/ea5a0e67-5997-4205-836e-532a4560ee54.png)]
现在您已经在 Python 中成功配置了 boto3我们现在可以继续学习如何使用 boto3 在 Python 中使用 Rekognition 和 Alexa API。
在 Python 中使用 Rekognition API
Amazon Rekognition 是启用了深度学习的视觉分析服务可以帮助您无缝搜索验证和分析数十亿张图像。 让我们首先简要回顾一下 Recognition API然后我们将直接在 Python 中使用它。 首先让我们进入 Rekognition API 的主页。 我们已经在本章前面的部分之一中看到了 Rekognition 的主页。
您可能已经从导航栏中注意到了Rekognition API 提供了几项功能 对象和场景检测这使您可以自动标记给定图像中的对象标签和场景以及置信度得分。 图像审核这使您可以检测图像中明显或暗示的成人内容以及置信度得分。 名人识别使用此功能您可以自动识别图像中的名人以及置信度得分。 人脸比较可用于基于相似度百分比查看脸部匹配的紧密程度。
除了这些功能之外它还有更多功能。
Rekognition API 提供的解决方案已被证明对各种各样的组织非常有用因为它们可以真正解决一些现实世界和具有挑战性的问题。 您可以通过单击 API 主页上的相应解决方案来尝试快速演示上述列表中提到的任何解决方案。 让我们尝试一下名人识别解决方案。
首先转到这里请注意该区域可能会有所不同。 它应如下图所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-m8Y2psNm-1681705088851)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/5d0a60f8-7ee3-4e21-84ec-0679a3475f7f.png)]
该门户将允许您上传自己的图像并进行测试。 让我们测试一下我的图像我们可以拍摄媒体名人的图像但是这些图像受版权保护。 您可以看到预期的结果
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nou9fylZ-1681705088851)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/48570a56-c2cb-48b9-8d36-309bf77bcf96.png)]
也可以尝试其他解决方案。 现在让我们看看如何从 Python 代码中使用 Rekognition API
创建一个新的 Jupyter 笔记本。 首先您将要创建一个新的 Jupyter 笔记本名称为Sample.ipynb。 您将必须提供要使用 AWS Rekognition API 进行名人识别测试的图像如 Jupyter 的以下目录结构屏幕快照所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6eIC7qOI-1681705088851)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/036c3c11-7381-44b9-83a5-f2c6f4f0b71f.png)]
将环境变量导入您的 AWS 账户中的凭证。 您将需要像之前在 boto3 配置部分中所做的那样将帐户凭据导入到脚本中。 为此请使用以下代码
import os
aws_access_key_id os.environ[aws_access_key_id]
aws_secret_access_key os.environ[aws_secret_access_key]使用 boto3 创建一个 AWS Rekognition API 客户端。 现在我们可以实例化 boto3 Rekognition API 客户端对象。 为此我们需要将希望使用的 API 以及希望使用该 API 的 AWS 区域名称传递给boto3对象。 您还必须传递在上一步中检索到的凭据如以下代码所示
import boto3
clientboto3.client(rekognition, region_nameus-east-1, aws_access_key_idaws_access_key_id, aws_secret_access_keyaws_secret_access_key) 从磁盘读取映像并将其传递给 API。 从 boto3 SDK 将文件发布到 AWS API 的方法有两种。 首先您可以直接从您具有权限的 S3 存储桶中发送它们也可以从本地磁盘将图像作为Bytes数组发送。 在上一节中我们已经了解了如何从 S3 存储桶中查找图像。
现在我们将向您展示一个示例其中我们从本地磁盘中获取大量图像并将其通过 API 调用传递
首先使用 Python 的本机方法将图像读取到变量中以打开文件如以下代码所示
image open(image.jpg, rb)现在要通过前面实例化的客户端将其传递给 API请使用以下代码行
response client.recognize_celebrities(Image{Bytes:image.read()})观察响应。 一旦 API 调用成功您的response变量将保存 API 返回的信息。 要查看它请打印变量
{CelebrityFaces: [{Urls: [www.imdb.com/name/nm1682433],Name: Barack Obama,Id: 3R3sg9u,Face: {BoundingBox: {Width: 0.3392857015132904,Height: 0.27056020498275757,Left: 0.324404776096344,Top: 0.06436233967542648},Confidence: 99.97088623046875,Landmarks: [{Type: eyeLeft,X: 0.44199424982070923,Y: 0.17130307853221893},{Type: eyeRight, X: 0.5501364469528198, Y: 0.1697501391172409},{Type: nose, X: 0.4932120144367218, Y: 0.2165488302707672},{Type: mouthLeft, X: 0.43547138571739197, Y: 0.25405779480934143},{Type: mouthRight, X: 0.552975058555603, Y: 0.2527817189693451}],Pose: {Roll: -1.301725149154663,Yaw: -1.5216708183288574,Pitch: 1.9823487997055054},Quality: {Brightness: 82.28946685791016,Sharpness: 96.63640594482422}},MatchConfidence: 96.0}],UnrecognizedFaces: [],ResponseMetadata: {RequestId: ba909ea2-67f1-11e9-8ac8-39b792b4a620,HTTPStatusCode: 200,HTTPHeaders: {content-type: application/x-amz-json-1.1,date: Fri, 26 Apr 2019 07:05:55 GMT,x-amzn-requestid: ba909ea2-67f1-11e9-8ac8-39b792b4a620,content-length: 813,connection: keep-alive},RetryAttempts: 0}}API 将我们的形象识别为巴拉克·奥巴马Barack Obama。 它为我们提供了许多其他有用的信息例如面部匹配的BoundingBox预测的Confidence眼睛嘴巴和鼻子的位置等。 我们可以使用此信息对图像进行进一步的操作例如简单地裁剪出匹配的部分。
获取图像的匹配部分。 要在可识别的位置准备图像的裁剪版本我们可以使用以下代码
from PIL import Image
from IPython.display import displayimImage.open(image.jpg)
w, h im.sizeceleb response[CelebrityFaces][0][Face][BoundingBox]x1 (celeb[Left])*w
y1 (celeb[Top])*h
x2 (celeb[Left] celeb[Width])*w
y2 (celeb[Top] celeb[Height])*hbox(x1,y1,x2,y2)
im1im.crop(box)display(im1)您应该看到以下图像是最终结果它是 API 生成的用于执行名人识别的边界框
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RAGS1Pyq-1681705088851)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/175087bb-bb71-47a3-80ae-81095e96551f.png)]
在进一步探索适用于 AWS 的 boto3 API 时您将认识到它能够处理所有 AWS 服务而不仅限于 Rekognition API。 这意味着根据 API 规范要求只需稍作修改即可将几乎所有可用的 API 用于前面的示例代码。
在接下来的部分中我们将看一下 Alexa这是亚马逊的旗舰产品用于构建语音接口这些接口的功能可以从聊天机器人到虚拟个人助理。 我们将学习如何使用 Alexa 构建简单的家庭自动化解决方案。
在 Python 中使用 Alexa API
亚马逊 Alexa 是由亚马逊开发的基于语音的个人助理。 该产品首先以 Amazon Echo 设备的界面为特色随后又激发了使用 Google Assistant 的 Google 的 Google Home 设备。 Alexa 的其他竞争对手是微软的 Cortana 和苹果的 Siri。 作为虚拟助手Alexa 可以轻松设置呼叫安排会议或播放歌曲。 Alexa 可以执行的各种任务在 Alexa 术语中称为技能我们将在本节中介绍这些技能。
Alexa 的技能是我们如何将功能引入平台的主要核心。 需要从 Alexa 的主界面调用每个技能然后该技能将接管整个功能除非程序逻辑完成或用户明确要求该技能结束。 技能将逻辑应用于要执行的任务因此该逻辑需要存储在某个地方也许还连同数据库和执行运行时一起存储。 尽管许多技能都托管在 HerokuPythonAnywhereGCP 等多种服务上但是托管技能和逻辑代码作为 AWS Lambda 函数是很常见的。
在本节中我们将使用适用于 Alexa 的 Python SDK 创建示例家庭自动化 Alexa 技能并将其托管在 AWS Lambda 上。
项目的前提条件和框图
在开始构建 Alexa 技能之前您将分别需要在 AWS 和 Amazon Developer 上使用以下两种类型的帐户
一个 AWS 账户免费套餐有效— aws.amazon.com亚马逊开发者帐户免费— developer.amazon.com
一旦创建了这些帐户其过程超出了本书的范围您就可以继续创建我们的家庭自动化技能。 以下框图显示了我们将要创建的家庭自动化技能的架构
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OMZK4zMK-1681705088852)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/dc3b9bf7-c327-4b8b-ab37-7039b36c77f6.png)]
在构建此技能时我们将使用以下服务您可以通过以下列表中的链接来了解更多信息
Amazon Alexa 技能套件使用 Amazon 登录AWS CloudWatchAmazon DynamoDBAWS Lambda
为技能创建配置
技能要求服务之间有一定程度的联系才能正常工作。 此外需要将部署在 AWS Lambda 上的技能逻辑配置为供 Alexa 上的技能使用。 在工作文件夹的根目录中创建一个setup.txt文件内容如下。 随着本节中各步骤的进行我们将逐步添加该内容
[LWA Client ID]
amzn1.application-oa2-client.XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX[LWA Client Secret]
XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX[Alexa Skill ID]
amzn1.ask.skill.XXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXXX[AWS Lambda ARN]
arn:aws:lambda:us-east-1:XXXXXXXXXXXX:function:skill-sample-language-smarthome-switch[APIs]
https://pitangui.amazon.com/api/skill/link/XXXXXXXXXXXXXX
https://layla.amazon.com/api/skill/link/XXXXXXXXXXXXXX
https://alexa.amazon.co.jp/api/skill/link/XXXXXXXXXXXXXX在以下各节中我们将将此文件称为setup.txt。 这实际上仅包含有关您的技能的信息。 也可以在其他任何文本编辑器例如 Google Docs中随意实现此功能。
Amazon 登录
对于家庭自动化技能您将需要启用“使用亚马逊登录”服务。 为此请执行以下步骤
转到这里。 您将看到以下屏幕快照中显示的页面
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8eh6E8gH-1681705088852)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/4afa1398-744c-4718-bb55-0a9209e8ed04.png)]
在随后加载的页面上单击“创建新的安全配置文件”按钮。将安全配置文件名称设置为Smart Home Automation Profile。提供配置文件的描述。对于内容隐私声明 URL您将需要一个有效的隐私策略网页来将技能推广到生产中。 创建并托管隐私策略并在此字段中提供指向它的链接。 可以在这个页面中找到用于创建隐私策略的非常方便的工具。点击“保存”。在下一页显示的齿轮菜单中单击“安全配置文件”选项。 您将进入“安全配置文件管理”页面如下图所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0EylQ7XR-1681705088852)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/6baa4f01-2672-49cb-9e03-6dd1f0902cac.png)]
在安全配置文件列表中单击“Web 设置”选项卡以显示“家庭自动化配置文件”的“显示客户端 ID 和客户端密钥”链接。复制显示的客户端 ID 和客户端密钥值并将它们保存到工作目录中的setup.txt文件中分别替换[LWA Client ID]和[LWA Client Secret]的格式示例条目。
保持此选项卡处于打开状态以备将来使用。 在新的浏览器标签中完成下一部分的步骤。
创建技能
现在我们可以继续创建技能
登录这里开始该过程。 您将能够看到类似于以下内容的屏幕
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jdri85V4-1681705088852)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/e055cf24-cc4d-4caf-87a6-b5187a26a92a.png)]
单击“创建技能”。将名称设置为Home Automation Skill或您选择的名称。在“选择要添加到您的技能的模型”部分下单击“智能家居”模型。 您的选择现在应类似于以下内容
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-yCwu4dYa-1681705088852)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/15bd4a33-02ec-4ab9-b0fc-7cd83f015eec.png)]
单击“创建技能”以完成技能创建的初始阶段。在出现的下一页上您将能够看到技能 ID。 将此技能 ID 复制到本地工作目录中的setup.txt文件。
不要关闭此标签因为您仍然需要在此处填写字段。 打开一个新的浏览器选项卡以在下一部分中使用。
配置 AWS Lambda 函数
在将 Lambda 函数的 ARN 添加到技能端点配置之前我们必须为 Lambda 函数创建一个配置。 您可以按照以下步骤进行操作
转到这里。 屏幕上将显示以下屏幕截图所示的屏幕
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CwMd2mZv-1681705088853)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/0fdc474a-3051-4bab-9698-8a9d883cb2f6.png)]
单击“创建策略”。在“创建”策略编辑器的“JSON”选项卡中输入以下 JSON
{Version: 2012-10-17,Statement: [{Effect: Allow,Action: [logs:CreateLogStream,dynamodb:UpdateItem,logs:CreateLogGroup,logs:PutLogEvents],Resource: *}]}单击“查看策略”并将策略名称设置为HomeAutomationPolicy。单击“创建策略”。接下来在页面的左侧导航菜单上单击“角色”。单击“创建角色”。选择 AWS 服务和 Lambda然后单击“下一步权限”。在过滤字段中搜索HomeAutomationPolicy。 检查策略。 您的屏幕应类似于以下内容
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7OpqIF7M-1681705088853)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/38f026ca-5a81-427f-ad3c-dc5efa7357de.png)]
单击“下一步标签”。单击“下一步审阅”。将角色名称设置为lambda_home_automation。单击“创建角色”。
现在让我们创建 Lambda 函数。
创建 Lambda 函数
有了适合 Lambda 函数的配置我们现在可以创建 Lambda 函数本身。 为此在 AWS 控制台中导航至这里并执行以下步骤
单击“创建函数”。将函数名称设置为homeAutomation。选择Python 3.6运行系统。从执行角色中现有角色的下拉列表中选择lambda_home_automation角色。点击Create function。从出现的下一页复制 Lambda ARN其中包含祝贺您创建 Lambda 函数的消息。 将此 ARN 放入我们本地工作目录的setup.txt的[AWS Lambda ARN]字段中。 此时屏幕应类似于以下屏幕截图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uzRSQqJZ-1681705088853)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/c27dff75-763d-479c-aea9-4846c6cd2e08.png)]
请注意屏幕上显示的触发器和目的地可能与前面的屏幕截图不同。
在左侧导航上单击“添加触发器”以调出您的 Lambda 函数的可用触发器的下拉列表如以下屏幕截图所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NCk0Uod7-1681705088853)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/4c5d75a8-1315-43f1-87d7-961a97ea98c4.png)]
单击Alexa Skills Kit来打开此触发器的配置对话框。将 Alexa 技能 ID 粘贴到技能 ID 字段中。 我们先前已将此值存储在setup.txt中它看起来像amzn1.ask.skill.xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx。单击“添加”以添加触发器并返回到 Lambda 函数管理屏幕。单击页面右上方的“保存”。
完成最后一步后触发器部分将显示已连接的 Alexa 技能的详细信息。 如果不是则应检查是否已正确执行上述步骤。
配置 Alexa 技能
现在我们需要配置在浏览器的另一个选项卡中保持打开状态的技能。 我们将通过以下步骤进行操作
返回该选项卡并在“默认端点”字段中填写 Lambda 函数的 ARN。点击“保存”。单击页面底部的“设置帐户链接”。对于授权 URL输入https://www.amazon.com/ap/oa。对于访问令牌 URL输入https://api.amazon.com/auth/o2/token。对于客户端 ID 字段从setup.txt文件中复制[LWA Client ID]。对于“客户端密钥”字段从setup.txt文件中复制[LWA Client Secret]。单击“添加范围”然后输入profile:user_id。从页面底部复制重定向 URL然后将其粘贴到[API]部分下的setup.txt文件中。 URL 类似于以下内容
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MZlr6P7W-1681705088853)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/81841ec1-c702-47ac-84d3-11fc81c679bd.png)]
点击“保存”。在“安全配置文件管理”浏览器选项卡中单击“Web 设置”选项卡。单击“编辑”然后将三个重定向 URL 添加到“允许的返回 URL”字段中。 您将必须单击“添加另一个”以输入多个 URL。点击“保存”。
现在让我们为该技能设置 Amazon DynamoDB。
设置 Amazon DynamoDB 以获得该技能
为了能够从用户保存数据此功能需要数据库。 我们将为此使用 Amazon DynamoDB 服务。 设置服务的步骤如下
转到这里。单击“创建表”按钮。输入表名称为SmartHome。对于主键输入ItemId。保留所有默认设置然后单击“创建”。 在此步骤中您的屏幕应类似于以下屏幕截图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gVCggcq5-1681705088854)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/c1615057-9eee-451a-aa6e-49226c642255.png)]
然后您可以转到 DynamoDB 仪表板以查看刚刚创建的表。 但是这可能需要一些时间。
部署 AWS Lambda 函数的代码
我们剩下的最后一部分设置是为 AWS Lambda 函数提供逻辑的代码。 转到 Lambda 函数配置页面然后向下滚动到编辑器。
您将注意到编辑器具有两列界面左列显示 Lambda 函数存储中的文件而右列则可以编辑这些文件如以下屏幕截图所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fLUk2VjJ-1681705088854)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/83315a84-c753-4f37-980c-a9b5dd4e5ed8.png)]
单击lambda_function.py开始编辑文件并执行以下步骤
导入必要的模块。 为了使该函数正常工作我们需要一些通用库的支持如以下代码所示
import boto3
import json
import random
import uuid
import timeboto3 API 用于连接到我们设置的 Amazon DynamoDB 实例。 JSON 模块有助于生成 Alexa 技能的响应。 其余模块有助于生成响应。
创建AlexaResponse类。 为了能够完全复制 Alexa 技能的预期响应格式我们可以快速设置一个帮助程序类该类可以为 Lambda 函数调用生成响应。 我们命名为AlexaReponse 以下代码段显示了该类的初始化
class AlexaResponse:def __init__(self, **kwargs):self.context_properties []self.payload_endpoints []# Set up the response structureself.context {}self.event {header: {namespace: kwargs.get(namespace, Alexa),name: kwargs.get(name, Response),messageId: str(uuid.uuid4()),payloadVersion: kwargs.get(payload_version, 3)},endpoint: {scope: {type: BearerToken,token: kwargs.get(token, INVALID)},endpointId: kwargs.get(endpoint_id, INVALID)},payload: kwargs.get(payload, {})}if correlation_token in kwargs:self.event[header][correlation_token] kwargs.get(correlation_token, INVALID)if cookie in kwargs:self.event[endpoint][cookie] kwargs.get(cookie, {})if self.event[header][name] AcceptGrant.Response or self.event[header][name] Discover.Response:self.event.pop(endpoint)前面用于AlexaResponse类的初始化方法设置了预期的输出格式和各种常量设置例如有效负载的版本号以及对输出对象的一些基本验证。 接下来我们创建用于添加内容属性的方法和用于在响应中设置 Cookie 的另一种方法。 最后添加了另一种方法来设置有效负载端点
def add_context_property(self, **kwargs):self.context_properties.append(self.create_context_property(**kwargs))def add_cookie(self, key, value):if cookies in self is None:self.cookies {}self.cookies[key] valuedef add_payload_endpoint(self, **kwargs):self.payload_endpoints.append(self.create_payload_endpoint(**kwargs))现在定义上一步中创建的三个处理器方法。 上一步中声明的方法取决于它们自己的内部方法。 这些主要是辅助函数与本章的重点无关因此我们将把这些留给您实现该函数您可以通过研究 AWS Lambda 函数的响应主体文档和 Alexa 技能来创建这些函数。 可以在本章的代码存储库中的lambda_function.py文件的 65 和 102 行之间找到示例实现。接下来我们将设置方法以从AlexaResponse类生成最终响应。 最终我们创建了将所有不同部分上下文事件有效负载端点和 cookie同化为单个对象的方法可以与 Alexa 技能进行交互 def get(self, remove_emptyTrue):response {context: self.context,event: self.event}if len(self.context_properties) 0:response[context][properties] self.context_propertiesif len(self.payload_endpoints) 0:response[event][payload][endpoints] self.payload_endpointsif remove_empty:if len(response[context]) 1:response.pop(context)return responsedef set_payload(self, payload):self.event[payload] payloaddef set_payload_endpoint(self, payload_endpoints):self.payload_endpoints payload_endpointsdef set_payload_endpoints(self, payload_endpoints):if endpoints not in self.event[payload]:self.event[payload][endpoints] []self.event[payload][endpoints] payload_endpointsAlexaResponse类现已完成。 现在我们将继续使用以下行来连接 DynamoDB 服务
aws_dynamodb boto3.client(dynamodb)接下来我们定义文件的主要方法和入口点-lambda_handler方法
def lambda_handler(request, context):# JSON dump for the requestprint(Request: )print(json.dumps(request))if context is not None:print(Context: )print(context)在本步骤的其余部分中我们将继续添加上述方法。 在前面的几行中我们声明了lambda_handler方法该方法接受 Alexa 技能的request和context对象。 然后它对请求进行 JSON 转储以便我们以后可以从 Amazon CloudWatch 仪表板进行观察。 接下来它对上下文进行了转储如果有附加到请求中的内容 # Validate we have an Alexa directiveif directive not in request:aer AlexaResponse(nameErrorResponse,payload{type: INVALID_DIRECTIVE,message: Missing key: directive, Is the request a valid Alexa Directive?})return send_response(aer.get())然后我们验证请求中是否有有效的 Alexa 指令如果找不到有效的 Alexa 指令则会生成错误消息并作为响应发送回去。 注意此处AlexaResponse类对象的用法。 将来我们将使用它来从以下脚本生成响应 # Check the payload versionpayload_version request[directive][header][payloadVersion]if payload_version ! 3:aer AlexaResponse(nameErrorResponse,payload{type: INTERNAL_ERROR,message: This skill only supports Smart Home API version 3})return send_response(aer.get())同样进行另一项检查以确保请求的有效负载版本为 3。这是因为我们仅针对 Alexa 的 Smart Home API 版本 3 开发了它
首先我们打开请求并查看请求的内容 name request[directive][header][name]namespace request[directive][header][namespace]然后我们根据namespace处理来自 Alexa 的传入请求。 请注意此示例接受任何grant请求但是在您的实现中您将使用代码和令牌来获取和存储访问令牌 if namespace Alexa.Authorization:if name AcceptGrant:grant_code request[directive][payload][grant][code]grantee_token request[directive][payload][grantee][token]aar AlexaResponse(namespaceAlexa.Authorization, nameAcceptGrant.Response)return send_response(aar.get())前述条件适用于 Alexa 授权请求。
对于发现和关闭开关的操作我们使用以下代码 if namespace Alexa.Discovery:if name Discover:adr AlexaResponse(namespaceAlexa.Discovery, nameDiscover.Response)capability_alexa adr.create_payload_endpoint_capability()capability_alexa_powercontroller adr.create_payload_endpoint_capability(interfaceAlexa.PowerController,supported[{name: powerState}])adr.add_payload_endpoint(friendly_nameSample Switch,endpoint_idsample-switch-01,capabilities[capability_alexa, capability_alexa_powercontroller])return send_response(adr.get())if namespace Alexa.PowerController:endpoint_id request[directive][endpoint][endpointId]power_state_value OFF if name TurnOff else ONcorrelation_token request[directive][header][correlationToken]对于对TurnOff或TurnOn.的请求此示例始终返回success响应。
现在我们在设置状态时检查错误 state_set set_device_state(endpoint_idendpoint_id, statepowerState, valuepower_state_value)if not state_set:return AlexaResponse(nameErrorResponse,payload{type: ENDPOINT_UNREACHABLE, message: Unable to reach endpoint database.}).get()apcr AlexaResponse(correlation_tokencorrelation_token)apcr.add_context_property(namespaceAlexa.PowerController, namepowerState, valuepower_state_value)return send_response(apcr.get())最后我们提取指令名称和指令的名称空间以确定要发送回的响应的类型。 根据要发送的指令将生成不同的响应并最终使用AlexaResponse类对象发送该响应。注意上一步代码中send_response方法的用法。 我们需要定义该方法。 它的任务是以 JSON 格式发送AlexaResponse对象并将其记录下来以便在 Amazon CloudWatch 中进行观察
def send_response(response):print(Response: )print(json.dumps(response))return response更新device state方法。 由于我们正在使用 Alexa 为简单的交换机设备构建自动化因此我们需要维护交换机的状态信息。 为此我们将其状态存储在 DynamoDB 中。 我们将为此添加一个更新方法如以下代码所示
def set_device_state(endpoint_id, state, value):attribute_key state Valueresponse aws_dynamodb.update_item(TableNameSmartHome,Key{ItemId: {S: endpoint_id}},AttributeUpdates{attribute_key: {Action: PUT, Value: {S: value}}})print(response)if response[ResponseMetadata][HTTPStatusCode] 200:return Trueelse:return False接下来我们将测试 Lambda 函数。
测试 Lambda 函数
现在我们可以检查函数是否正确响应。 为此我们必须通过以下步骤在 Lambda 函数的仪表板上创建一个测试
在上一节中创建的函数的 Lambda 函数页面的右上角单击“测试”。将出现一个对话框其中包含用于编写新测试或使用现有测试的选项。 选择创建新测试事件的选项。在“事件”模板中确保已选择“Hello World”。接下来提供事件名称directiveDiscovery。在编辑器中输入以下 JSON
{directive: {header: {namespace: Alexa.Discovery,name: Discover,payloadVersion: 3,messageId: 1bd5d003-31b9-476f-ad03-71d471922820},payload: {scope: {type: BearerToken,token: access-token-from-skill}}}
}此时您的屏幕应类似于以下内容
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qRlPef3P-1681705088854)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/72352241-b56d-4536-b083-daebba4c21cf.png)]
向下滚动并单击“创建”。返回 Lambda 函数仪表板后在右上方从下拉列表中选择directoryDiscover测试。单击“测试”。
完成后测试将显示响应状态和 Lambda 函数的响应。 您可以在 Lambda 函数仪表板顶部的页面上看到结果该结果类似于以下屏幕截图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-dLJpU3dR-1681705088854)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/ff23d8a3-8380-4e37-949f-efd3614544ca.png)]
如果测试失败请确保已仔细执行上述步骤并确保存在不同服务的区域相同。
测试 AWS 家庭自动化技能
作为该项目的最后阶段我们将在 Alexa 测试模拟器中测试我们的技能。 为此请执行以下步骤 转到这里并登录。 单击左侧菜单中的“技能”。 单击页面右上方的您的技能。 选择“DEV SKILL”选项卡。 单击HomeAutomationSkill。 您应该看到以下屏幕
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-a2ltZVCn-1681705088855)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/246d6e58-cde0-45cd-9ad1-0f7dd1f02154.png)]
单击“启用”按钮。 系统将要求您允许访问开发者帐户的权限。返回到 Alexa Developer 控制台然后单击“发现设备”。 名为 Sample Switch 的新设备将显示为可用如以下屏幕快照所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9CNBEx5r-1681705088855)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/77383ecb-ff77-43fa-99ae-c06f245dd01e.png)] 现在转到 Alexa Skills Kit 开发页面上的“测试”选项卡以获取 HomeAutomation 技能。 在模拟器中键入alexa, turn on the sample switch。 如果请求被接受那么您将收到来自 Alexa 的OK如以下屏幕截图所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SNiPCz8S-1681705088855)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/40856d4c-4de8-458c-b4e7-83073a821f59.png)]
要检查该技能是否真正起作用可以转到 DynamoDB 表 SmartHome 并切换到表的“项目”选项卡。 您应该能够看到以下记录
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Vjm4b8mA-1681705088855)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/f0949a1c-45e6-49d6-af20-309f9b4dd0a3.png)]
恭喜您成功在 Alexa 中建立了简单的家庭自动化技能 您可以玩耍此技能并为 Alexa 建立自己的家庭自动化技能。 准备好将其发布给更广泛的受众后您可以按照这个页面上提供的文档中的建议进行操作。
总结
在本章中我们介绍了如何通过其 Python API boto3 使用 AWS。 我们探索了使用 API的各种选项和配置要求并查看了如何与 Rekognition API 一起使用以识别名人的示例。 然后我们深入研究了如何创建家庭自动化的 Alexa 技能设置了打开/关闭开关的简单任务。 这可以很容易地推断到其他智能家居设备。 我们研究了如何在 AWS Lambda 上托管 Alexa 技能逻辑以及如何从 AWS CloudWatch 进行观察。 我们还探索了 Amazon DynamoDB 中动态设备数据的存储。
在接下来的章节中我们将了解如何使用 Python 在 Microsoft Azure 平台上使用深度学习。
八、Microsoft Azure 上的 Python 深度学习
我们将在本章结束我们的云 API 探索之旅。 到目前为止我们已经将自己轻轻地介绍给了 API 的美好世界特别是让我们轻松进行深度学习的 API。 我们已经看到了如何使用 REST API 并以编程方式使用它们。 与 Google Cloud PlatformGCP和 Amazon Web ServicesAWS一样Microsoft 也提供了自己的云服务平台该平台称为 Azure。 与前几章一样我们将只专注于 Azure 必须提供的基于深度学习的解决方案。 我们将稍作调整还将介绍 Microsoft 的认知工具包CNTK它是像 Keras 这样的深度学习框架。
在本章中我们将介绍以下主题
在 Azure 中设置您的帐户快速浏览 Azure 提供的深度学习解决方案在 Python 中使用 Face API在 Python 中使用 Text Analytics APICNTK 简介
技术要求
您可以从这里访问本章的代码。
要运行本章中使用的代码您将需要以下软件
Python 3.6Python PIL 库Matplotlib 库
本章将介绍所有其他安装例如 CNTK 和 Django。
在 Azure 中设置您的帐户
根据您以前使用云平台的经验您可能已经意识到这一切都始于在云提供商中设置帐户和计费。 这是一个非常标准的工作流程Azure 也不例外。 因此让我们转到这里并执行以下步骤
单击“免费启动”按钮如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tp0rIJSe-1681705088855)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/01908bbd-6abc-4f1b-8b26-2d05cab0472d.png)]
请注意您将需要一个 Microsoft 帐户才能继续以下步骤。 因此如果您没有请在这个页面中创建一个。
您将被重定向到另一个页面在该页面上您将再次看到另一个“免费启动”按钮。 点击它。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ok8wP2Xs-1681705088856)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/e67d8ec9-75a8-48a3-aa96-a76668954eb7.png)]
系统将要求您登录到您的 Microsoft 帐户以继续。 相应地提供凭据您应该进入页面如以下屏幕截图所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LUlZrK70-1681705088856)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/89e7d103-9c26-4a97-aaa8-78989fd0b407.png)]
如果您是首次使用该产品您将在 30 天内免费获得 200 美元的信用额取决于您的货币以浏览 Azure 提供的其他服务。
填写您的详细信息其中还包括通过卡验证您的身份。
您可能需要为此支付象征性的费用。 请确保查看 Azure 免费套餐的条款和条件您可以在这个页面中找到这些条款和条件。
完成此过程后您将全部准备就绪并可以移至 Azure 门户该门户的作用方式与 GCP 和 AWS 控制台相同您已经在前面的章节中看到过。
Azure 门户如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-yiEpTVSj-1681705088856)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/be9a0fa6-08a0-474a-8d62-b28113ea7fcf.png)]
现在您已经设置了 Azure 帐户让我们在下一部分中探索基于深度学习的 Azure 产品。
Azure 提供的深度学习服务一览
Azure 的基于深度学习和通用机器学习的产品大致分为三个部分
Azure 机器学习服务它提供端到端的机器学习生命周期包括模型构建训练和部署
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JzTMeUfJ-1681705088856)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/5e49fe53-bc9e-41e1-b544-97bdfb6d9e0a.png)]
机器学习 API它们为各种学习任务提供 API例如内容审核翻译异常检测 等等
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wUx8x87s-1681705088856)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/3172ed87-5c07-4de6-bcb3-8a1c49c9ac02.png)]
Azure AI其重点是诸如知识挖掘之类的主题决策挖掘以及计算机视觉和语言建模领域中的许多其他类似的机器学习功能
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-l4996D5z-1681705088857)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/a33df20e-bf48-44a2-b065-44b02e2bf715.png)]
现在我们将研究分别用于计算机视觉任务和自然语言理解任务的两个 API。 我们还将研究如何从 Python 使用这些 API。 让我们潜入。
使用 Face API 和 Python 的对象检测
对象检测是计算机视觉的经典用例已广泛应用于许多实际问题例如视频监视系统。 在本节中我们将使用 Face API 从给定图像中检测面部。 在设计视频监视系统时可以直接使用。 您可以从其官方页面了解有关 Face API 的更多信息。
初始设置
Azure 还可以让您免费试用此 API 7 天。 但是由于您已经拥有一个 Azure 帐户我想拥有免费信用因此我们可以采用另一种方式如下所示
登录到您的 Azure 帐户。转到这里。单击“已经使用 Azure 立即免费试用此服务”。
现在您应该有一个窗口如以下屏幕截图所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RNtcZ2AE-1681705088857)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/f1b88b0e-e960-4830-9440-3e4ffa4ab083.png)]
相应地填写详细信息完成后单击“创建”。 您将看到一个弹出窗口显示“正在提交部署”。
部署完成后您应该进入页面如以下屏幕截图所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TqIFvEy7-1681705088857)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/8d44a941-a39a-4c25-8b07-1457bef65c63.png)]
单击“转到资源”您将被重定向到资源页面其中包含许多详细信息
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vBWWJpgy-1681705088857)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/08af55b4-5b80-44b4-9943-282a9618ff8d.png)]
只需向下滚动一点您将能够看到 Face API 的端点。 请注意它会根据您在创建部署时输入的配置详细信息而有所不同。 端点看起来像这里。 注意这一点。
现在要能够以编程方式使用 Face API您需要创建相应的 API 密钥。 在同一页面的顶部有一个部分显示抓取密钥
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NDsWuJOy-1681705088857)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/15e48360-dd9c-48f2-b123-c6e1680e2514.png)]
在该部分下单击“密钥”您将看到以下屏幕截图中的内容
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qcOMRT1d-1681705088858)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/6166e10e-a211-4053-9236-f678e04822cc.png)]
既然您已经有了 Face API 的 API 密钥就可以使用它了。
从 Python 代码使用 Face API
当您的包含诸如 API 密钥之类的安全凭证时通常最好将这些密钥定义为环境变量然后在程序中调用它们。 因此继续创建一个环境变量以存储 Face API 的 API 密钥之一。
要将环境变量添加到计算机可以在这个页面上关注此文章。
就我而言我已将环境变量命名为face_api_key。 您可以放置任何包含面部的图像。 对于此示例我将使用以下图像
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tCu1RfOp-1681705088858)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/5429ceba-947a-43c2-abbe-7e92043a3fdf.jpg)]
创建一个新的 Jupyter 笔记本然后按照以下步骤操作
现在让我们使用 Python 加载环境变量如下所示
import os
face_api_key os.environ[face_api_key]现在将 Face API 端点用于对象检测分配给变量。此外将要测试的图像上载到在线文件服务器例如 Imgur然后检索允许从 Imgur 提取原始图像的 URL。
就我而言我已将图像上传到 GitHub 存储库并使用了相应的 URL
face_api_url https://eastus.api.cognitive.microsoft.com/face/v1.0/detectimage_url https://raw.githubusercontent.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/master/Chapter8/sample_image.jpg请注意在前面的 API 中仅 URL 末尾的终结点名称发生更改。 在大多数情况下除非使用 Azure 平台本身要求进行更改否则在使用认知服务期间终结点名称之前的部分将保持不变。
现在导入requests模块并设置 API 有效负载如下所示
import requests
params {
returnFaceId: true,
returnFaceLandmarks: false,
returnFaceAttributes: age,gender,
}现在我们可以向 Face API 发出请求了。
以下代码行可为您完成此操作
# Define the header param
headers { Ocp-Apim-Subscription-Key: face_api_key }
# Define the body params
params {
returnFaceId: true,
returnFaceLandmarks: false,
returnFaceAttributes: age,gender,
}现在我们可以显示从 API 收到的响应
# Make the call to the API
response requests.post(face_api_url, paramsparams, headersheaders, json{url: image_url})
# Get the response and log
faces response.json()
print(There are {} faces im the given image.format(str(len(faces))))在这种情况下返回的代码如下
There are 2 faces in the given image请注意returnFaceAttributes主体参数该参数可让您指定面孔的多个属性并且 Face API 将针对这些属性分析给定的面孔。 要查找有关这些属性的更多信息请查看这个页面上的文档。
让我们以一种合理的方式将从 API 获得的响应嵌入到图像中。 我们将在图像中显示检测到的面部的可能的性别和可能的年龄。 我们将使用matplotlibPIL和io库进行此操作并且我们将使用 Jupyter 笔记本来处理本节中的以下代码段。 我们将从导入库开始
%matplotlib inline #Only for Jupyter Notebook
import matplotlib.pyplot as plt
from PIL import Image
from matplotlib import patches
from io import BytesIO要使用从 API 收到的响应在图像上显示叠加层我们使用以下方法
存储 API 响应
response requests.get(image_url)根据响应内容创建图像
image Image.open(BytesIO(response.content))创建一个空图形
plt.figure(figsize(8,8))显示使用响应创建的图像
ax plt.imshow(image, alpha0.6)遍历前面部分中指定的面部并提取必要的信息
for face in faces:# Extract the informationfr face[faceRectangle]fa face[faceAttributes]origin (fr[left], fr[top])p patches.Rectangle(origin, fr[width], fr[height], fillFalse, linewidth2, colorb)ax.axes.add_patch(p)plt.text(origin[0], origin[1], %s, %d%(fa[gender].capitalize(), fa[age]), fontsize20, weightbold, vabottom)
# Turn off the axis
_ plt.axis(off)
plt.show()您应该具有这样的图像
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4mM9cRZR-1681705088858)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/6602861e-76f7-4378-afcc-db74b1161cf8.png)]
鼓励您尝试使用 API提供的不同参数。 现在我们将研究自然语言理解NLUAPI。
使用 Text Analytics API 和 Python 提取文本信息
无论是有意还是无意我们都必须遇到自然语言处理的一些惊人用例。 无论是自动更正下一个单词建议还是语言翻译这些用例都非常重要而不能忽略。 在本节中我们将使用文本分析 API 从给定的一段文字中提取有意义的信息。
您可以使用前面提到的链接免费试用 API并查看其功能。 在以下示例中我输入了短语I want to attend NeurIPS someday and present a paper thereText Analytics API 从中提取了四个有意义的信息
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6Ok2UdBS-1681705088858)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/e67aa8f4-cd9d-4d88-922a-4c94bd55d0b0.png)]
观察 API 如何从短语中提取所有关键信息。
现在我们将看到如何使用 Python 以编程方式执行此操作。 设置步骤将与前面的步骤完全相同。 只需转到这里并按照那里的步骤进行。 一旦拥有使用 API的相应 API 密钥请继续进行以下小节。 别忘了记下各自的端点。 端点应以这个页面开头。 该 URL 不能单独使用 它需要有一个后缀指向要调用的正确方法。
在 Python 代码中使用 Text Analytics API
本节将向您展示如何在自己的 Python 代码中使用 Text Analytics API。 以下是使用它的步骤
我们将从导入所需的库开始本节
import requests
import os
from pprint import pprint然后我们将从环境变量中加载 Text Analytics API 的 API 密钥
api_key os.environ[text_api_key]现在让我们指定一些 URL 来存储 API 端点
text_analytics_base_url \
https://eastus.api.cognitive.microsoft.com/text/analytics/v2.0
language_api_url text_analytics_base_url /languages
sentiment_api_url text_analytics_base_url /sentiment
key_phrase_api_url text_analytics_base_url /keyPhrases现在通过提供 API 密钥来定义headers参数
headers {Ocp-Apim-Subscription-Key: api_key}我们还要定义 body 参数。 就我而言我将保留之前在基于 GUI 的演示中显示的相同短语
documents { documents: [
{ id: 1, text: I want to attend NeurIPS someday and present a paper there. }
]}现在我们可以调用 Text Analytics 的各个 API。 让我们从检测语言开始
response requests.post(language_api_url, headersheaders, jsondocuments)
language response.json()
pprint(language)我们得到相应的响应如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-iuWGkTrI-1681705088859)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/16b55881-1edf-4f83-9814-5cd3c785a8da.png)]
请注意我已突出显示该语言。 现在让我们继续进行情感分析部分
response requests.post(sentiment_api_url, headersheaders, jsondocuments)
sentiment response.json()
pprint(sentiment)显示的情感如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2sk6kWcJ-1681705088859)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/37049f4f-493f-4703-a41c-52f3a69aeb73.png)]
注意此处使用的短语既不包含正面情感也不包含负面情感因此不包含得分。 现在我们将从给定的文本中提取关键短语
response requests.post(key_phrase_api_url, headersheaders, jsondocuments)
phrases response.json()
print(phrases)关键短语如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4xGBYEjM-1681705088859)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/6e957a31-82f6-4670-8ad7-eaded45163f1.png)]
注意端点相对于任务的变化。 您可以在这个页面上探索有关上一示例中使用的端点的不同参数的更多信息。
CNTK 简介
CNTK 是 Microsoft 提供的产品。 该框架是 ONNX 格式计划的一部分该计划允许在不同的神经工具套件框架之间轻松转换模型。 该框架负责 Microsoft 软件和平台上的深度学习生产工作量的很大一部分。 该框架于 2016 年推出一直是 TensorFlowPyTorch 等流行框架的竞争者。 该框架是完全开源的可以在这个页面中找到。
CNTK 为企业服务例如 Cortana 和 Bing以及广告例如 Skype TranslateMicrosoft Cognitive Services 等提供动力。 事实证明它在某些应用上比 TensorFlow 和 PyTorch 等竞争对手更快地工作。
在本节中我们将研究 CNTK 的一些基础知识然后继续创建 Django 应用以将基于 CNTK 的模型传递到网络上。
CNTK 入门
CNTK 是最容易上手的框架之一这得益于其简单的语法和无需会话概念即可工作的能力就像 TensorFlow 一样这使大多数学习器感到困惑。 让我们看看如何在本地计算机或 Google Colaboratory 上设置 CNTK。
在本地计算机上安装
CNTK 框架支持 64 位和 32 位架构的计算机。 但是在编写本书时它仅支持 3.6 版以下的 Python 版本。 您可以在这个页面上验证最新支持的版本。 此外目前CNTK 无法作为 macOS 上的内置二进制文件使用。
要安装框架可以使用pip包管理器也可以使用 Anaconda 上已编译的二进制文件进行安装。 假设已设置 Python 环境则可以使用以下命令在 Windows 和 Linux 上安装 CNTK
如果没有 Anaconda则将以下内容用于 CPU 版本
# For CPU version
pip install cntk将以下内容用于启用 GPU 版本
# For the GPU enabled version
pip install cntk-gpu在支持 Anaconda 的计算机上可以使用pip通过以下命令安装 CNTK 框架
pip install url可以从 CNTK 网站获得url。
该命令将类似于以下内容
pip install https://cntk.ai/PythonWheel/CPU-Only/cntk-2.6-cp35-cp35m-win_amd64.whl现在我们开始在 Google Colaboratory 中安装它。
在 Google Colab 上安装
默认情况下CNTK 框架在 Google Colaboratory 平台上不可用因此必须与其他必要模块一起安装。 要在 Google Colaboratory 运行时上安装 CNTK请在脚本顶部使用以下命令
!apt-get install --no-install-recommends openmpi-bin libopenmpi-dev libopencv-dev python3-opencv python-opencv ln -sf /usr/lib/x86_64-linux-gnu/libmpi_cxx.so /usr/lib/x86_64-linux-gnu/libmpi_cxx.so.1 ln -sf /usr/lib/x86_64-linux-gnu/openmpi/lib/libmpi.so /usr/lib/x86_64-linux-gnu/openmpi/lib/libmpi.so.12 ln -sf /usr/lib/x86_64-linux-gnu/libmpi.so /usr/lib/x86_64-linux-gnu/libmpi.so.12 pip install cntk请注意前面的命令是单行命令。 如果将其分成多行则应确保将所需的更改添加到命令中。
一旦上一步成功运行您将无需在该运行时再次使用此命令。 因此该命令可以在程序的将来运行中被注释掉。
通常通过C别名将 CNTK 导入 Python 项目。 我们使用以下代码将库导入项目
import cntk as C我们可以使用以下行来检查已安装的 CNTK 的版本
print(C.__version__)将 CNTK 导入到项目中后我们准备着手创建深度学习模型的先决条件。
创建 CNTK 神经网络模型
在本节中我们将完成创建预测神经网络之前所需的步骤然后将创建神经网络本身
首先将必要的模块导入项目
import matplotlib.pyplot as plt
%matplotlib inlineimport numpy as np
from sklearn.datasets import fetch_openml
import randomimport cntk.tests.test_utils
from sklearn.preprocessing import OneHotEncoderimport cntk as C # if you have not done this before in the projectsklearn模块的fetch_openml()方法可帮助我们将本示例中使用的数据集直接下载到项目中即 MNIST 手写数字数据集。 OneHotEncoder方法用于标签的单热编码。
接下来设置程序执行过程中所需的几个常量
num_samples 60000
batch_size 64
learning_rate 0.1我们将对 60,000 个样本进行训练初始学习率为0.1。 该速率可以在训练期间动态更新。
然后我们需要创建一种用于生成随机迷你批的训练方法
class Batch_Reader(object):def __init__(self, data , label):self.data dataself.label labelself.num_sample data.shape[0]def next_batch(self, batch_size):index random.sample(range(self.num_sample), batch_size)return self.data[index,:].astype(float),self.label[index,:].astype(float)每次调用时前面的方法将生成等于上一步中设置的大小的批量例如每个批量中有 64 个样本。 这些样本是从数据集中随机抽取的。
现在需要获取数据集 为此我们使用以下代码行
mnist fetch_openml(mnist_784)提取数据后可以将其分为训练和测试数据集如下所示
train_data mnist.data[:num_samples,:]
train_label mnist.target[:num_samples]
test_data mnist.data[num_samples:,:]
test_label mnist.target[num_samples:]数据集中的标签在输入训练模型之前需要进行一次热编码。 为此我们使用以下代码
enc OneHotEncoder()
enc.fit(train_label[:,None])
train_encoded enc.transform(train_label[:,None]).toarray()现在我们可以为训练批量生成器创建一个生成器对象如下所示
train_reader Batch_Reader(train_data, train_encoded)我们也快速对test数据集执行前面的步骤
enc OneHotEncoder()
enc.fit(test_label[:,None])
test_encoded enc.transform(test_label[:,None]).toarray()test_reader Batch_Reader(test_data, test_encoded)现在让我们创建一个 CNTK 神经网络模型。 我们首先从定义一些常量开始
dimensions 784
classes 10
hidden_layers 3
hidden_layers_neurons 400我们将输入数据的维度定义为784。 回顾“第 3 章”“创建第一个深度学习 Web 应用”的示例在此我们使用了 MNIST 数据集。 MNIST 数据集中的图像以单维数组的格式存储其中包含0至255范围内的28 x 28值。 图像属于 10 个不同的类别分别对应于阿拉伯数字系统中的每个数字。 我们提供 3 个隐藏层每个包含 400 个神经元。
然后我们创建两个 CNTK input变量以在创建模型时使用。 这是 CNTK 最重要的概念之一。
input C.input_variable(dimensions)
label C.input_variable(classes)CNTK 中的input变量本质上是一个占位符我们在模型训练评估或测试期间使用它来填充样本。 在此步骤中数据集输入的形状必须与input变量声明中声明的尺寸完全匹配。 在这里重要的是要提到很多人将输入的维数与数据集具有的特征数量混为一谈。 具有N个特征数量和M个样本数量的数据集具有MN形状因此这个数据集的维度为2
def create_model(features):with C.layers.default_options(init C.layers.glorot_uniform(), activation C.ops.relu):
hidden_out features
for _ in range(hidden_layers):hidden_out C.layers.Dense(hidden_layers_neurons)(hidden_out)
network_output C.layers.Dense(classes, activation None)(hidden_out)return network_output我们创建create_model()方法该方法将特征的输入作为参数。
首先为模型设置默认值以使用权重初始化和其他值的均匀分布。 默认激活函数设置为ReLU。
第一层包含特征本身最后一层包含向量其维数等于类的数量。 中间的所有层都包含一个由 3 个隐藏层组成的全连接网络每个隐藏层都有 400 个神经元并具有 ReLU 激活函数
model create_model(input/255.0)最后我们使用先前的函数创建模型。 除以255可对数据集进行归一化从而在0和1之间的图像数组中呈现值。
训练 CNTK 模型
创建模型后我们现在可以继续训练模型并使其学习预测。 为此我们需要使用 CNTK 模型对象并将数据集中的样本拟合到该对象。 我们可以同时记录loss和其他评估指标。 我们需要执行以下步骤来训练我们的模型
为loss和分类误差创建占位符
loss C.cross_entropy_with_softmax(model, label)
label_error C.classification_error(model, label)现在我们可以为 CNTK 框架设置一个trainer对象该对象用于执行实际的训练
lrs C.learning_rate_schedule(learning_rate, C.UnitType.minibatch)
learner C.sgd(model.parameters, lrs)
trainer C.Trainer(model, (loss, label_error), [learner])现在开始进行训练
epochs 10
num_iters (num_samples * epochs) / batch_sizefor i in range(int(num_iters)):batch_data, batch_label train_reader.next_batch(batch_sizebatch_size)arguments {input: batch_data, label: batch_label}trainer.train_minibatch(argumentsarguments)if i % 1000 0:training_loss Falseevalaluation_error Falsetraining_loss trainer.previous_minibatch_loss_averageevalaluation_error trainer.previous_minibatch_evaluation_averageprint({0}: , Loss: {1:.3f}, Error: {2:.2f}%.format(i, training_loss, evalaluation_error * 100))我们将训练的周期数设置为10以便进行快速训练和评估。 您可以将其设置为较高的值以提高训练的准确率 但是在某些情况下这可能不会导致更好的训练或过拟合。 在第 1,000 次迭代中我们显示直到那时为止的损失和评估误差。 这些的总体趋势应该是下降。
测试并保存 CNTK 模型
在继续使用 Django 框架将该项目转换为 Web 应用之前让我们快速测试在模型训练中获得的准确率。 我们将执行以下操作以从模型进行预测
predicted_label_probs model.eval({input: test_data})这将为数据集中的每个标签创建一个 NumPy 概率数组。 必须将其转换为索引并与测试数据的标签进行比较。 我们这样做如下所示
predictions np.argmax(predicted_label_probs, axis1)
actual np.argmax(test_encoded, axis1)
correct np.sum(predictions actual)
print(correct / len(actual))我们发现预测的准确率约为 98%。 这是一个非常好的值我们将继续保存模型并通过 Django 使用它。 为了保存 CNTK 模型我们执行以下操作
model.save(cntk.model)成功保存模型后如果您已使用 Colaboratory 构建模型则必须将model文件下载到本地系统。 接下来我们可以继续在基于 Django 的服务器上部署模型。
Django Web 开发简介
Django 是使用 Python 进行 Web 开发的最受欢迎的框架之一。 该框架轻巧健壮并由社区积极维护可快速修补安全漏洞并添加新功能。 在本书中我们介绍了 Flask 框架该框架本质上是 Python Web 开发的基本框架。 但是Django 随附了许多内置功能这些功能可实现最新的方法和实践。
Django 项目的初始结构如下
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7hmRuJmW-1681705088859)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/220c2b95-9ed4-4521-9ee1-9937f6e28fec.png)]
使用django-admin工具创建新的 Django 项目时这些文件会自动生成。 顶级目录mysite表示 Django 项目的名称。 每个 Django 项目均包含应用。 应用类似于软件开发中模块的概念。 它们通常是整个项目的独立部分并由mysite主应用放在项目目录中。 每个项目中可以包含多个应用。
让我们学习如何开始使用 Django 并创建一个新项目
Django 入门
使用 Django 之前最重要的步骤是安装它。 幸运的是该框架很容易从 Python PIP 存储库中作为模块安装。 它也可以在 Conda 存储库中找到。 要安装 Django请打开一个新的终端窗口然后使用以下命令
conda install django或者如果您更喜欢 PIP请使用以下命令
pip install django这会将 Django 模块安装到您的 Python 环境中。
要检查是否已成功安装请在终端中使用以下命令
python -m django --version这将产生版本号的输出例如- 2.0.8。 如果没有请检查您的 Django 安装。
创建一个新的 Django 项目
Django 提供了一个方便的工具django-admin工具该工具可用于生成 Django 项目所需的样板代码。 要创建一个名为cntkdemo的新项目请使用以下代码
django-admin startproject cntkdemo这将创建所有样板文件夹和文件。 但是我们必须在项目中创建至少一个应用。 使用终端将活动的工作目录更改为cntkdemo文件夹。 使用以下命令在此项目中创建一个应用
python manage.py startapp api因此我们创建了一个名为api的文件夹其中包含以下文件夹 所有文件都是使用占位符代码和文档自动生成的
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-w1LTkJMx-1681705088859)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/3d297b46-da99-422e-aab5-4dfb5cbc90e6.png)]
现在我们可以进行初始 UI 的编码。
设置主页模板
现在让我们创建一个网页该网页在访问/路由时加载。 还记得我们在项目中创建的api应用吗 为了简单起见使索引页面成为该应用的一部分。 虽然可以在mysite应用的urls.py文件中创建此路由但我们将为api应用提供其自己的路由处理文件。
让我们从设置主页模板的步骤开始
在api文件夹中创建一个文件urls.py。 该文件相对于项目目录的完整路径为mysite/api/urls.py。 在此文件中让我们使用以下代码添加/路由
from django.urls import pathfrom . import viewsurlpatterns [path(, views.indexView), # This line handles the / route.
]保存此文件。 前面的代码从本质上为api应用添加了新路径/注意不是项目。 它将导入api应用的views.py文件中的所有可用视图。 请注意indexView仍然不存在。 下一步之后我们将创建此视图。api应用未链接到主项目应用。 我们需要在mysite/mysite/urls.py文件中添加以下几行以通过api应用的路由处理器启用路由处理
from django.contrib import admin
from django.urls import path
from django.urls import include # -- Add this line!urlpatterns [path(, include(api.urls)), # -- Add this line!path(admin/, admin.site.urls),
]第一行导入了一个工具用于将特定于应用的路由设置包括到项目应用中。 我们使用它使用api.urls字符串将urls.py文件包含在api应用内。 这会自动将字符串转换为试图查找并包含正确文件的代码行。
在api应用目录内的views.py文件中添加以下行
from django.http import HttpResponse
from django.template import loaderHttpResponse方法允许view方法返回 HTML 响应。 loader类为我们提供了从磁盘加载 HTML 模板的方法。
现在让我们创建indexView方法
def indexView(request):template loader.get_template(api/index.html)context {}return HttpResponse(template.render(context, request))indexView方法加载api/index.html模板文件并使用context词典中提供的变量以及模板可用的request参数对其进行呈现。 当前我们传递空白上下文因为我们没有任何值可发送到模板。 但是同样先前定义的api/index.html文件不存在。
让我们创建一个用于保存模板的文件夹并将其链接到项目设置。 为此请转到项目的根目录并创建一个名为templates的文件夹。 我们需要项目能够将该文件夹识别为模板的目录。 为此我们需要修改mysite/mysite/settings.py文件中的TEMPLATES设置
TEMPLATES [{BACKEND: django.template.backends.django.DjangoTemplates,DIRS: [os.path.join(BASE_DIR, templates)], # -- Add this line!APP_DIRS: True,OPTIONS: {context_processors: [添加上一行后项目将在mysite/templates/文件夹中查找模板。 创建index.html模板文件。 请注意步骤 4 中的模板文件路由存在于api目录中。 在templates目录中创建一个名为api的文件夹。 在其中使用以下代码创建index.html文件
{% load static %}
...div classjumbotronh3 classjumbotronHeadingDraw here!/h3.../divdiv classjumbotronh3Prediction Results/h3 p idresult/p/divdiv idcsrf{% csrf_token %}/div/divscript srchttps://cdnjs.cloudflare.com/ajax/libs/jquery/2.1.3/jquery.min.js/scriptscript src{% static /index.js %}/script
...我们在前面的代码块的末尾包含了一些必需的脚本其中包括一个从后端获取 CSRF 令牌的脚本。
现在让我们在上一个代码块中通过jumbotron类将canvas元素添加到div中在这里我们将绘制数字。 我们还将添加一个用于选择绘图笔宽度的滑块如下所示 div classjumbotronh3 classjumbotronHeadingDraw here!/h3 div classslidecontainerinput typerange min10 max50 value15 idmyRangepValue: span idsliderValue/span/p/divdiv classcanvasDivcanvas idcanvas width350 height350/canvaspbutton classbtn btn-success idpredict-btn rolebuttonPredict/buttonbutton classbtn btn-primary idclearButton rolebuttonClear/button/p/div/divtemplate文件还包括两个静态文件-style.css和script.js。 我们将在接下来的部分中创建这些文件。 我们尚未创建用于将数据发送到服务器并呈现收到的响应的脚本。
现在我们将开始添加与后端 API 通信所需的 JavaScript 代码。 首先我们创建一种方法来检查是否需要 CSRF 令牌才能与后端进行通信。 这只是一个工具函数与调用后端 API 无关后者可能有时被设计为接受没有 CSRF 令牌的请求。 我们创建此函数如下所示
script typetext/javascriptfunction csrfSafeMethod(method) {return (/^(GET|HEAD|OPTIONS|TRACE)$/.test(method));}然后我们为Predict按钮创建click处理器。 此处理函数首先设置适当的标头以调用后端 API然后将画布上显示的图形转换为数据 URL 字符串 $(#predict-btn).click(function() {var csrftoken $(input[namecsrfmiddlewaretoken]).val();$.ajaxSetup({beforeSend: function(xhr, settings) {if (!csrfSafeMethod(settings.type) !this.crossDomain) {xhr.setRequestHeader(X-CSRFToken, csrftoken);}}});$(#predict-btn).prop(disabled, true);var canvasObj document.getElementById(canvas);var img canvasObj.toDataURL();// MORE CODE TO BE ADDED BELOW THIS LINE// MORE CODE TO BE ADDED ABOVE THIS LINE});/script最后我们将代码添加到Predict按钮的click处理函数中以使用画布中的数据对后端进行 Ajax 调用如下所示
$(#predict-btn).click(function() {
...// MORE CODE TO BE ADDED BELOW THIS LINE$.ajax({type: POST,url: /predict,data: img,success: function(data) {console.log(data);var tb table classtable table-hovertheadtrthItem/ththConfidence/th/theadtbody;var res JSON.parse(data);console.log(res);$(#result).empty.append(res.data);$(#predict-btn).prop(disabled, false);}});// MORE CODE TO BE ADDED ABOVE THIS LINE
...
});/script在创建静态文件之前我们需要为它们创建一个文件夹并将其链接到项目。 这类似于我们创建templates文件夹的方式。 首先在项目目录中使用mysite/static/路径创建一个文件夹static。 然后在mysite/mysite/settings.py文件中修改STATIC配置如下所示
STATIC_URL /static/STATICFILES_DIRS [os.path.join(BASE_DIR, static), # -- Add this line!
]现在我们可以使用模板文件顶部的{% load static %}指令创建静态文件并将其加载到项目模板中就像在index.html文件中一样。
创建style.css和script.js-由于这些文件与本书的上下文没有明显关系因此可以直接从这里下载它们。
请注意没有script.js文件该项目将无法运行。
我们已经创建了用于预测index.html模板文件中存在的画布上绘制的图像的设置。 但是/predict路由尚未创建。 在下一部分中让我们看看如何在 Django 中加载和使用 CNTK 模型。
在 Django 项目中将 CNTK 用于预测
在本节中我们将首先设置 CNTK 模型与 Django 一起使用所需的路由视图和导入。 然后我们将从保存的文件中加载 CNTK 模型并使用它进行预测。
设置预测路由和视图
回想一下我们如何在api应用中创建/路由及其对应的视图
首先将以下行添加到mysite/api/urls.py
urlpatterns [path(, views.indexView),path(predict, views.predictView), # -- Add this line!
]这将创建/predict路由。 但是视图predictView尚未创建。
将以下行添加到api应用中的views.py文件中
from django.http import JsonResponsedef predictView(request):# We will add more code below this line# We will add more code above this linereturn JsonResponse({data: -1})请注意前几行中的占位符。 在接下来的步骤中我们将在此处添加更多内容。
进行必要的模块导入
现在让我们加载使用 CNTK 模型进行预测所需的所有模块如以下步骤所示
将以下几行导入添加到api应用的views.py文件中
import os
from django.conf import settings我们需要前面的导入才能从磁盘加载模型
import cntk as C
from cntk.ops.functions import load_model前几行将 CNTK 模块导入到 Django 项目。 load_model方法将帮助我们加载保存的 CNTK 模型文件。
以下模块用于处理将在其上进行预测的图像
from PIL import Image
import numpy as np以下模块提供了用于处理 Base64 编码的字符串的工具该格式是index.html页在请求中发送画布数据的格式
import re
import base64
import random
import string在接下来的部分中将对其他库进行说明。
加载 CNTK 模型来做出预测
现在我们将按照以下步骤进一步编辑predictView视图
首先使用以下代码将 Base64 编码的图像字符串数据读取为变量
def predictView(request):# We will add more code below this linepost_data request.POST.items()pd [p for p in post_data]imgData pd[1][0].replace( , )imgData * ((4 - len(imgData) % 4) % 4)Base64 解码的字符串没有适当的填充并且包含需要转换为的空格。 上一个代码块中的最后两行对字符串执行相同的操作。
接下来我们将将此 Base64 编码的字符串转换为 PNG 图像并通过以下几行将其保存到磁盘
filename .join([random.choice(string.ascii_letters string.digits) for n in range(32)])convertImage(imgData, filename)第一行为文件名创建一个 32 个字符长的随机字符串。 下一行调用convertImage方法该方法将base64字符串存储为提供的文件名。
但是convertImage方法尚未定义。 在predictView方法之外添加函数的定义如下所示
def convertImage(imgData, filename):imgstr re.search(rbase64,(.*), str(imgData)).group(1)img base64.b64decode(imgstr)with open(filename.png, wb) as output:output.write(img)该方法从字符串中去除多余的元数据。 然后它解码该字符串并将其另存为 PNG 文件。
让我们回到predictView方法。 我们将首先加载保存的image文件
image Image.open(filename.png).convert(1)我们还将图像仅转换为黑白通道。 这样会将图像中的通道数从 3 减少到 1。
回想一下MNIST 数据集中的所有图像的尺寸均为28 x 28。我们必须将当前图像调整为相同的尺寸。 我们使用以下代码行
image.thumbnail((28,28), Image.ANTIALIAS)现在我们使用以下几行将图像转换为 NumPy 数组
image_np np.array(image.getdata()).astype(int)
image_np_expanded np.expand_dims(image_np, axis 0)np.expanded_dims是 NumPy 中的一个简单工具用于为数组添加额外的维度以与大多数机器学习库保持适当的兼容性。 加载 CNTK 模型。 首先在项目的根目录中创建一个名为data的文件夹然后将已保存的model文件复制到mysite/data/cntk.model中。 现在我们以predictView方法加载 CNTK 模型如下所示
model load_model(os.path.join(settings.BASE_DIR, data/cntk.model))最后我们可以预测图像的标签如下所示
predicted_label_probs model.eval({model.arguments[0]: image_np_expanded})
data np.argmax(predicted_label_probs, axis1)eval方法在其第一个参数中期望图像的 NumPy 数组并返回每个输出类的概率列表。 np.argmax方法用于找到概率最高的类别的索引。
要返回输出请修改predictView方法的return部分如下所示 # We will add more code above this linereturn JsonResponse({data: str(data[0])})图像的预测标签将作为 JSON 响应的data变量中包含的数字发送该变量显示在页面上。
测试网络应用
最后我们可以测试我们开发的 CNTK Django 应用。 为此打开终端并将其定向到项目的根目录。
使用以下命令启动 Django 服务器
python manage.py runserver如果端口可用则服务器从http://localhost:8000启动。 在网络浏览器中打开页面。 在提供的画布上绘制数字然后单击“预测”按钮。 您将能够在页面底部看到来自模型的结果如下所示
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jtx42M3n-1681705088860)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/handson-py-dl-web/img/b717132a-d629-41e8-b622-7424137ccf76.png)]
请注意该模型在前面的屏幕快照 2 中返回了正确的输出。因此我们得出了使用 Django 部署 CNTK 模型的结论。
总结
在本章中我们介绍了 Microsoft AI 和 Azure 云提供的用于在网站上执行深度学习的产品。 我们了解了如何使用 Face API 来预测图像中人物的性别和年龄以及如何使用 Text Analytics API 来预测给定文本的语言的任何句子以及所提供文本或情感中的关键短语。 最后我们在 MNIST 数据集上使用 CNTK 创建了深度学习模型。 我们了解了如何保存模型然后通过基于 Django 的 Web 应用以 API 的形式部署模型。 通过 Django 保存的模型的这种部署可以轻松地适应其他深度学习框架例如 TensorFlow 或 PyTorch。
在下一章中我们将讨论使用 Python 构建生产级深度学习应用的通用框架。
