自己动手做一个识别手写数字的web应用01 / 四六文摘

最近在深入地学习keras，发现网上各种教程都是教你怎么训练模型的，很少有问题提到如何把训练好的模型部署为后端服务，为web及app提供服务。

于是，我决定把学习的过程完整的记录下来，帮大家更快地把深度学习的模型应用到实际场景中。

用到的技术：

keras+tensorflow+flask

这个教程分为4篇。

第一篇

介绍开发环境--训练模型--保存至本地；

第二篇

介绍导入训练好的模型--识别任意的手写数字图片；

第三篇

介绍用Flask整合keras训练好的模型，并开发后端服务；

第四篇

介绍前端web单页应用的开发。

为了方便入门，下面采用docker的方式进行实验。

采用docker部署开发环境

首先安装好docker，我是mac，window用户请查阅官方安装教程，运行docker，终端输入：

docker pull floydhub/dl-docker:cpu

在本地电脑新建一个目录，我这边是kerasStudy，路径是

/Users/shadow/Documents/02-coding/kerasStudy

大家可以改成自己本机对应的路径。

终端运行：

docker run -it -p 6006:6006 -p 8888:8888 -v /Users/shadow/Documents/02-coding/kerasStudy:/root/kerasStudy floydhub/dl-docker:cpu bash

-p 6006:6006，表示将Docker主机的6006端口与容器的6006接口绑定；

-v 参数中，冒号":"前面的目录是宿主机目录，后面的目录是容器内目录。

记得，还需要在docker中配置宿主机的与镜像共享的目录地址

将新建一个容器，并在容器中开启一个交互模式的终端，结果如下：

启动jupyter notebook

终端输入：

mkdir $HOME/.keras/

cd $HOME/.keras/

vim keras.json

键盘按 i ，按回车及方向键控制光标，把floydhub/dl-docker:cpu镜像默认的使用Theano作为后端，改为如下：

{ "image_data_format": "channels_last", "epsilon": 1e-07, "floatx": "float32", "backend": "tensorflow"}

按下esc键；输入：wq，保存修改结果。

终端输入：

jupyter notebook

上图显示jupyter notebook已经运行成功，打开浏览器，在地址栏中输入：

localhost:8888

即可访问jupyter

Hello Jupyter Notebook

上文提到的jupyter notebook到底是什么东西？

Jupyter Notebook 是一款集编程和写作于一体的效率工具，优点：

分享便捷
远程运行
交互式展现

在浏览器可以访问Jupyter Notebook，也就是说，我可以部署成web应用的形式，用户可以分享，通过域名访问，并且可以利用web的任何交互方式。

继续我们的教程，在浏览器打开Jupyter Notebook后，找到我们与本地共享的项目目录kerasStudy，点击进入，然后点击jupyter右上角的new，选择python2，如下图所示：

新建一个notebook。

先来做个小实验：

输入：

import numpy as np

np.random.seed(1337)

np.random.rand(5)

然后在菜单中，选择Cell--Run Cells,运行代码

如下图所示，输出了一些结果。

第一行代码：

import numpy as np

引入 numpy ，一个用python实现的科学计算包。提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。numpy的教程可以参看官网http://www.numpy.org/

np.random.seed()

使得随机数据可预测。相当于给随机数赋了个id，下次调用随机数的时候，只要再次取这个id，再调用随机数，即可产生相同的随机数

可以做下这个练习:

3.1

np.random.seed(0)

np.random.rand(5)

#控制台输出结果

array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])

3.2

np.random.seed(1676)

np.random.rand(5)

#控制台输出结果

array([ 0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ])

3.3

np.random.seed(1676)

np.random.rand(5)

#控制台输出结果

array([ 0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ])

Keras训练模型

这里结合了keras的官方案例，训练一个多层感知器。

4.1

重新建一个notebook，

输入：

from __future__ import print_function''' Python 3.x引入了一些与Python 2不兼容的关键字和特性，在Python 2中，
可以通过内置的__future__模块导入这些新内容。

如果你希望在Python 2环境下写的代码也可以在Python 3.x中运行，那么建议使用__future__模块。

import print_function 这里使用3.x的 print方法

在Python 3中必须用括号将需要输出的对象括起来。
在Python 2中使用额外的括号也是可以的。
但反过来在Python 3中想以Python2的形式不带括号调用print函数时，
会触发SyntaxError。

'''import numpy as np

4.2

from keras.datasets import mnist# 导入mnist数据库， mnist是常用的手写数字库from keras.models import Sequential#导入序贯模型,Sequential是多个网络层的线性堆叠，也就是“一条路走到黑”。from keras.layers.core import Dense, Dropout, Activation#导入全连接层Dense，激活层Activation 以及 Dropout层from keras.optimizers import SGD, Adam, RMSprop#导入优化器 SGD, Adam, RMSpropfrom keras.utils import np_utils#导入numpy工具，主要是用to_categorical来转换类别向量

4.3

#变量初始化batch_size = 128 #设置batch的大小nb_classes = 10#设置类别的个数nb_epoch = 20#设置迭代的次数

4.4

#准备数据 (X_train, y_train), (X_test, y_test) = mnist.load_data()print(X_test.shape,X_test[0])#keras中的mnist数据集已经被划分成了60,000个训练集，10,000个测试集的形式，按以上格式调用即可X_train = X_train.reshape(60000, 784)#X_train原本是一个60000*28*28的三维向量，将其转换为60000*784的二维向量X_test = X_test.reshape(10000, 784)print(X_test.shape)#X_test原本是一个10000*28*28的三维向量，将其转换为10000*784的二维向量X_train = X_train.astype('float32')X_test = X_test.astype('float32')#将X_train, X_test的数据格式转为float32存储X_train /= 255X_test /= 255#归一化print(X_train.shape[0], 'train samples')print(X_test.shape[0], 'test samples')

4.5

# 转换类标号 convert class vectors to binary class matricesY_train = np_utils.to_categorical(y_train, nb_classes)Y_test = np_utils.to_categorical(y_test, nb_classes)

4.6

#建立模型使用Sequential（）'''模型需要知道输入数据的shape，因此，Sequential的第一层需要接受一个关于输入数据shape的参数，后面的各个层则可以自动推导出中间数据的shape，因此不需要为每个层都指定这个参数''' model = Sequential()model.add(Dense(512, input_shape=(784,)))model.add(Activation('relu'))model.add(Dropout(0.2))# 输入层有784个神经元# 第一个隐层有512个神经元，激活函数为ReLu，Dropout比例为0.2model.add(Dense(512))model.add(Activation('relu'))model.add(Dropout(0.2))# 第二个隐层有512个神经元，激活函数为ReLu，Dropout比例为0.2model.add(Dense(10))model.add(Activation('softmax'))# 输出层有10个神经元，激活函数为SoftMax，得到分类结果# 输出模型的整体信息# 总共参数数量为784*512+512 + 512*512+512 + 512*10+10 = 669706model.summary()

4.7

#打印模型model.summary()

4.8

#配置模型的学习过程'''compile接收三个参数：1.优化器optimizer：参数可指定为已预定义的优化器名，如rmsprop、adagrad，或一个Optimizer类对象，如此处的RMSprop()2.损失函数loss：参数为模型试图最小化的目标函数，可为预定义的损失函数，如categorical_crossentropy、mse，也可以为一个损失函数3.指标列表：对于分类问题，一般将该列表设置为metrics=['accuracy']'''model.compile(loss='categorical_crossentropy', optimizer=RMSprop(), metrics=['accuracy'])

4.9

#训练模型'''batch_size：指定梯度下降时每个batch包含的样本数nb_epoch：训练的轮数，nb指number ofverbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为epoch输出一行记录validation_data：指定验证集fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况'''history = model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch, verbose=2, validation_data=(X_test, Y_test))

这个时候，可以Cell--Run All 一下，可以看到训练过程，如下图：

4.10

#模型评估

score = model.evaluate(X_test, Y_test, verbose=0)

print('Test score:', score[0])

print('Test accuracy:', score[1])

4.11

#保存神经网络的结构与训练好的参数

json_string = model.to_json()

open('my_model_architecture.json','w').write(json_string)

model.save_weights('my_model_weights.h5')

系列文章第一篇至此结束。

自己动手做一个识别手写数字的web应用01

相关推荐