整合DL4J训练模型与Web工程

一、前言

上一篇博客《有趣的卷积神经网络》介绍如何基于deeplearning4j对手写数字识别进行训练，对于整个训练集只训练了一次，正确率是0.9897，随着迭代次数的增加，网络模型将更加逼近训练集，下面是对训练集迭代十次的评估结果，总之迭代次数的增加会更加逼近模型（注：增加迭代次数有时也会发生过拟合，有时候也并非很奏效，具体情况具体分析）。

Accuracy: 0.9919
Precision: 0.9919
Recall: 0.9918
F1 Score: 0.9918

二、导读

1、web环境搭建

2、基于canvas构建前端画图界面

3、整合dl4j训练模型

三、web环境搭建

1、eclipse new一个Maven project ，填好maven坐标，packaging选war

<groupId>org.dl4j</groupId>
<artifactId>digitalrecognition</artifactId>
<version>0.0.1-SNAPSHOT</version>
<packaging>war</packaging>

2、配置Jar包依赖，由于servlet-api一般由web容器提供，所以scope为provided，这样不会被打入war包里。

<dependencies>
		<dependency>
			<groupId>org.springframework</groupId>
			<artifactId>spring-webmvc</artifactId>
			<version>4.3.4.RELEASE</version>
		</dependency>
		<dependency>
			<groupId>javax.servlet</groupId>
			<artifactId>servlet-api</artifactId>
			<version>2.5</version>
			<scope>provided</scope>
		</dependency>
		<dependency>
			<groupId>com.fasterxml.jackson.core</groupId>
			<artifactId>jackson-core</artifactId>
			<version>2.5.3</version>
		</dependency>

		<dependency>
			<groupId>com.fasterxml.jackson.core</groupId>
			<artifactId>jackson-annotations</artifactId>
			<version>2.5.3</version>
		</dependency>

		<dependency>
			<groupId>com.fasterxml.jackson.core</groupId>
			<artifactId>jackson-databind</artifactId>
			<version>2.5.3</version>
		</dependency>
		<dependency>
			<groupId>commons-fileupload</groupId>
			<artifactId>commons-fileupload</artifactId>
			<version>1.3.1</version>
		</dependency>
		<dependency>
			<groupId>org.deeplearning4j</groupId>
			<artifactId>deeplearning4j-core</artifactId>
			<version>0.9.1</version>
		</dependency>
		<dependency>
			<groupId>org.nd4j</groupId>
			<artifactId>nd4j-native-platform</artifactId>
			<version>0.9.1</version>
		</dependency>
	</dependencies>

3、为了开发方便，不用把web工程部署到外置web容器，所以在开发时用mavan tomcat插件是比较方便的。运行时mvn tomcat7:run即可

<build>
		<plugins>
			<plugin>
				<groupId>org.apache.tomcat.maven</groupId>
				<artifactId>tomcat7-maven-plugin</artifactId>
				<version>2.2</version>
				<configuration>
					<uriEncoding>UTF-8</uriEncoding>
					<path>/</path>
					<port>8080</port>
					<protocol>org.apache.coyote.http11.Http11NioProtocol</protocol>
					<maxThreads>1000</maxThreads>
					<minSpareThreads>100</minSpareThreads>
				</configuration>
			</plugin>
		</plugins>
	</build>

4、web常规配置web.xml，filter、servlet、listener这里就略去了。

四、前端canvas画图实现

1、html元素、css

<style type="text/css">
body {
	padding: 0;
	margin: 0;
	background: white;
}

#canvas {
	margin: 100px 0 0 300px;
}

#canvas>span {
	color: white;
	font-size: 14px;
}

#result {
	margin: 0px 0 0 300px;
}
</style>
<html>
<head>
<title>数字识别</title>
</head>
<body>
	<canvas id="canvas" width="280" height="280"></canvas>
	<button onclick="predict()">预测</button>
	<div id="result">
		识别结果：<font size="18" id="digit"></font>
	</div>
</body>
</html>

2、js代码实现在canvas画布连线操作，并将图片转化为base64格式，ajax发送给后端，这里画布的大小是280px，所以图片到了后端，需要缩小至十分之一。

<script src="/js/jquery-3.2.1.min.js"></script>
<script type="text/javascript">
	/*获取绘制环境*/
	var canvas = $('#canvas')[0].getContext('2d');
	canvas.strokeStyle = "white";//线条的颜色
	canvas.lineWidth = 10;//线条粗细
	canvas.fillStyle = 'black'
	canvas.fillRect(0, 0, 280, 280);
	$('#canvas').on('mousedown', function() {
		/*开始绘制*/
		canvas.beginPath();
		/*设置动画绘制起点坐标*/
		canvas.moveTo(event.pageX - 300, event.pageY - 100);
		$('#canvas').on('mousemove', function() {
			/*设置下一个点坐标*/
			canvas.lineTo(event.pageX - 300, event.pageY - 100);
			/*画线*/
			canvas.stroke();
		});
	}).on('mouseup', function() {
		$('#canvas').off('mousemove');
	});
	function predict() {
		var img = $('#canvas')[0].toDataURL("image/png");
		$.ajax({
			url : "/digitalRecognition/predict",
			type : "post",
			data : {
				"img" : img.substring(img.indexOf(",") + 1)
			},
			success : function(response) {
				$("#digit").html(response);
			},
			error : function() {
			}
		});
	}
</script>

整体呈现的界面如下，可以画图。

五、后端java代码

@RequestMapping("/digitalRecognition")
@Controller
public class DigitalRecognitionController implements InitializingBean {
	private MultiLayerNetwork net;

	@ResponseBody
	@RequestMapping("/predict")
	public int predict(@RequestParam(value = "img") String img) throws Exception {
		String imagePath= generateImage(img);//将base64图片转化为png图片
		imagePath= zoomImage(imagePath);//将图片缩小至28*28
		DataNormalization scaler = new ImagePreProcessingScaler(0, 1);
		ImageRecordReader testRR = new ImageRecordReader(28, 28, 1);
		File testData = new File(imagePath);
		FileSplit testSplit = new FileSplit(testData, NativeImageLoader.ALLOWED_FORMATS);
		testRR.initialize(testSplit);
		DataSetIterator testIter = new RecordReaderDataSetIterator(testRR, 1);
		testIter.setPreProcessor(scaler);
		INDArray array = testIter.next().getFeatureMatrix();
		return net.predict(array)[0];
	}

	private String generateImage(String img) {
		BASE64Decoder decoder = new BASE64Decoder();
		String filePath = WebConstant.WEB_ROOT + "upload/"+UUID.randomUUID().toString()+".png";
		try {
			byte[] b = decoder.decodeBuffer(img);
			for (int i = 0; i < b.length; ++i) {
				if (b[i] < 0) {
					b[i] += 256;
				}
			}
			OutputStream out = new FileOutputStream(filePath);
			out.write(b);
			out.flush();
			out.close();
		} catch (Exception e) {
			e.printStackTrace();
		}
		return filePath;
	}
	
	private String zoomImage(String filePath){
		String imagePath=WebConstant.WEB_ROOT + "upload/"+UUID.randomUUID().toString()+".png";
		try {
			BufferedImage bufferedImage = ImageIO.read(new File(filePath));
			Image image = bufferedImage.getScaledInstance(28, 28, Image.SCALE_SMOOTH);
			BufferedImage tag = new BufferedImage(28, 28, BufferedImage.TYPE_INT_RGB);
			Graphics g = tag.getGraphics();
			g.drawImage(image, 0, 0, null); // 绘制处理后的图
			g.dispose();
			ImageIO.write(tag, "png",new File(imagePath));
		} catch (Exception e) {
			e.printStackTrace();
		}
		return imagePath;
	}
	

	@Override
	public void afterPropertiesSet() throws Exception {
		net = ModelSerializer.restoreMultiLayerNetwork(new File(WebConstant.WEB_ROOT + "model/minist-model.zip"));
	}

}

代码说明：

1、InitializingBean是spring bean生命周期中的一个环节，spring构建bean的过程中会执行afterPropertiesSet方法，这里用这个方法来加载已经定型的网络。

2、generateImage是用来将前端传过来的base64串转化为png格式。

3、zoomImage方法将前端的280*280缩小至28*28和训练数据一致，并存到webroot的upload目录下。

4、predict进行预测，将转化好的28*28的图片读取出来，张量化，把像素点的值压缩至0到1，预测，最后结果是一个数组，由于只有一张图片，取数组的第一个元素即可。

六、测试，mvn tomcat7:run，浏览器访问http://localhost:8080即可玩手写数字识别了

测试结果马马虎虎，大体上实现了基本功能。

git地址：https://gitee.com/lxkm/dl4j-demo/tree/master/digitalrecognition

快乐源于分享。

整合DL4J训练模型与Web工程

猜你喜欢