【华为技术】【使用MoXing实现手写数字图像识别应用】【TensorFlow】

原贴文章：https://bbs.huaweicloud.com/forum/thread-8533-1-1.html

在测试中如果遇到什么问题，欢迎大家到原贴下提问回复。

本文介绍在华为云深度学习服务平台如何使用MoXing实现MNIST数据集的手写数字图像识别应用。操作的流程分为4部分，分别是：

基本流程包含以下步骤：

• 准备数据：下载文本数据集，上传至OBS桶中。
• 训练模型：使用MoXing框架编模型训练脚本，新建训练作业进行模型训练。
• 部署模型：得到训练好的模型文件后，新建预测作业将模型部署为在线预测服务。
• 发起预测请求：下载并导入客户端工程，发起预测请求获取预测结果。
  

1. 准备数据

下载MNIST数据集，上传至OBS桶中(基于 TensorFlow的数据集无需解压 )。具体操作如下：

步骤 1     下载MNIST数据集。下载路径为：http://data.mxnet.io/data/mnist/ 。 数据集文件说明如下：

• t10k-images-idx3-ubyte.gz：验证集，共包含10000个样本。
• t10k-labels-idx1-ubyte.gz：验证集标签，共包含10000个样本的类别标签。
• train-images-idx3-ubyte.gz：训练集，共包含60000个样本。
• train-labels-idx1-ubyte.gz：训练集标签，共包含60000个样本的类别标签。
  

步骤 2     参考“上传业务数据”章节内容，分别上传至华为云OBS桶 （假设OBS桶路径为：s3://obs-lpf/data/mnist/）。

2. 训练模型

接下来，要编写模型训练脚本代码（本案例中已编写好了训练脚本），并完成模型训练，操作步骤如下：

步骤 1     下载模型训练脚本文件train_mnist.py。参考“上传业务数据”章节内容，将脚本文件上传至华为云OBS桶 （假设OBS桶路径为：s3://obs-lpf/test/mnist/）。

步骤 2     参考“访问深度学习服务”章节内容，登录“深度学习服务”管理控制台。

步骤 3     在“训练作业管理”界面，单击左上角的“创建训练作业”，参考图1填写训练作业参数。

图1 训练作业参数配置（训练）

步骤 4     参数确认无误后，单击“提交作业”，完成预测作业创建。

步骤 5     在模型训练的过程中或者完成后，通过创建TensorBoard作业查看一些参数的统计信息，如loss， accuracy等。图2为TensorBoard作业的参数配置。其中，TensorBoard日志路径为训练作业中train_url设置的路径。图3为TensorBoard可视化界面。

图2 TensorBoard作业参数配置

 

图3 TensorBoard可视化界面

训练作业完成后，即完成了模型训练过程。如有问题，可点击作业名称，进入作业详情界面查看训练作业日志信息。

3. 部署模型

模型训练完成后，可以创建预测作业，将模型部署为在线预测服务，操作步骤如下：

步骤 1     在“预测作业管理”界面，单击左上角的“创建预测作业”，参考图4填写参数。其中，模型名称参数model_name，此处可随意指定。

图4 预测作业参数配置

 

步骤 2     参数确认无误后，单击“提交作业”，完成预测作业创建。

当预测作业状态为“运行中”时，表示创建成功。单击预测作业名称，可看到如下界面信息如图5所示。在发起预测请求时，你需要查看IP地址、端口号和模型名称3个参数值。

图5 预测作业详情页面

4. 发起预测请求

说明：请保证客户端能够连接互联网。

如果是windows用户，请先安装git bash，并配置好python, pip环境（推荐使用Anaconda）。 linux用户在terminal中按照以下步骤运行（以下步骤仅针对python客户端，JAVA客户端请参考文档底部链接获取详细指导）。

完成模型部署后，将进行预测服务的请求访问，操作步骤如下：

步骤 1     执行下面命令，下载客户端代码。

1. git clone https://github.com/huawei-clouds/dls-tfserving-client.git

复制代码

步骤 2      安装依赖及配置python环境变量。

      1.安装 tensorflow

1. pip install tensorflow

复制代码

     2. 安装其它依赖包

1. pip install image

复制代码

      3.把下列路径加入到环境变量 PYTHONPATH 中

1. export PYTHONPATH=PYTHONPATH:<i>xx</i>/dls-tfserving-client/python/predict_client

复制代码

注意:  xx是指"dls-tfserving-client" 所在的目录。

步骤3  在xx/dls-tfserving-client/python/下新建python代码文件，命名为：predict_mnist.py，具体代码请访问 predict_mnist.py
步骤4  根据实际情况修改 predict_mnist.py 文件中的部分代码，如下所示。

1. IMAGE_PATH = '/export1/zzy/mnist/3.png'    #根据实际待预测图片的保存地址修改参数
   
2. HOST = '10.155.167.202'  #根据实际服务IP地址修改
   
3. PORT = 31670             #根据实际服务端口号修改
   
4. MODEL_NAME = 'mnist'     #根据实际服务运行参数model_name修改
   
5. SIGNATURE_NAME = 'predict_object'
   
6. MAX_RESPONSE_TIME = 3000

复制代码

步骤5 运行代码

1. python predict_mnist.py

复制代码

注意：

这里参数server_url包含了服务的IP和端口号，file_path表示待预测图片的路径。

关于发起预测请求的详细操作指导，请参考：https://github.com/huawei-clouds/dls-tfserving-client 

在测试中如果遇到什么问题，欢迎大家到原贴下提问回复。