人工智能云平台部署与开发（微课版）课件 项目7-AI云容器的开发

项目7AI云容器的开发目录01

训练手写数字识别模型02训练商品销量预测模型03训练人脸识别模型01训练手写数字识别模型训练手写数字识别模型本任务需要部署JupyterNotebook容器，并且在JupyterNotebook工具中实现对手写数字的识别，因此第一步需要安装JupyterNotebook容器，命令如下，如图所示。#dockerpulldaocloud.io/daocloud/tensorflow:1.14.0-py3-jupyter训练手写数字识别模型镜像下载完成后运行JupyterNotebook，命令如下。并且复制运行之后得到的URL，在浏览器打开它。运行JupyterNotebook、浏览器中打开URL，如图所示。#dockerrun--namemy-tensorflow-it-p8888:8888-v/tensorflow:/test/datadaocloud.io/daocloud/tensorflow:1.14.0-py3-jupyter训练手写数字识别模型在测试手写数字识别效果之前，先准备数字0～9的手写图片，上传到JupyterNotebook。单击右侧的“Upload”按钮，上传图片，如图所示。训练手写数字识别模型上传好文件之后，单击“New”按钮，在下拉列表中选择“Python3”，新建一个Python3的笔记，开始训练手写数字识别模型。训练手写数字识别模型的代码是项目6中任务6.3所用到的代码，在这个任务的代码的基础上去掉最后的测试部分代码，加入保存训练模型的代码。新建Python3笔记、运行训练代码，本项目的训练代码如下。importtensorflowastfmnist=tf.keras.datasets.mnist(x_train,y_train),(x_test,y_test)=mnist.load_data()x_train,x_test=x_train/255.0,x_test/255.0model=tf.keras.models.Sequential([tf.keras.layers.Flatten(input_shape=(28,28)),tf.keras.layers.Dense(128,activation='relu'),tf.keras.layers.Dropout(0.2),tf.keras.layers.Dense(10,activation='softmax')])pile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

model.fit(x_train,y_train,epochs=5)model.save('my_model.h5')model.summary()训练手写数字识别模型训练手写数字识别模型确保代码无误之后，需要导入自己的手写数字图片，因此需要用到Python的imageio库。安装完imageio之后重启内核完成更新。安装imageio、加载手写数字图片。安装imageio的命令如下。#pipinstallimageio-i/simple/加载手写数字图片的代码如下。importglobimportimageioimportnumpyasnpimg_data=[]forimage_file_nameinglob.glob('*.jpg'):print('loading...',image_file_name)img_array=imageio.imread(image_file_name,as_gray=True)img_data.append((255.0-img_array.reshape(784))/255.0)self_data=np.array(img_data).reshape(len(img_data),28,28)训练手写数字识别模型训练手写数字识别模型准备工作完成之后，开始检测手写数字，以0～9的顺序检测。从识别的结果上看，我们手写的数字0在机器看来比较像数字9。手写数字识别结果，如图所示。02训练商品销量预测模型训练商品销量预测模型将代码写到输入行中，代码参考书本P169~P171程序编写好之后，运行程序，预测结果上方的两个数值是真实数值，下方的两个数值是预测数值，这里设定了loss_less是1，loss_more是10，因此预测的结果会偏小。预测结果如图所示。03训练人脸识别模型训练人脸识别模型训练人脸识别模型需要用到人脸数据集，数据集包括训练集和测试集，本任务采用的人脸数据集是LFW（LabeledFacesintheWild），由Ubuntu系统训练模型；读者可以尝试利用JupyterNotebook容器训练人脸识别模型，并且在此过程中，解决相关问题。下载人脸数据集，如图所示。训练人脸识别模型下载的数据集是压缩文件，在JupyterNotebook用Python程序的解压缩功能将数据集解压到input_img文件夹中。解压人脸数据，如图所示。训练人脸识别模型Ubuntu系统还需要安装libgtk2.0-dev和pkg-config依赖，如果没有这两个依赖，OpenCV会无法运行。运行OpenCV需要有GTK支持，安装GTK需要先安装GNU编译工具，再安装GTK2。更新源、安装GNU，命令如下，结果如图所示。#sudoapt-getupdate#sudoapt-getinstallbuild-essential训练人脸识别模型运行程序和OpenCV需要一些依赖。首先，安装依赖pkg-config、安装GTK、安装依赖，命令如下，结果如图所示。#sudoapt-getinstallpkg-config#sudoapt-getinstalllibgtk2.0-dev#sudoaptinstalllibgl1-mesa-glx训练人脸识别模型安装完之后检查一下包，确认安装完成，命令如下，结果如图所示。#pkg-config--modversiongtk+-2.0训练人脸识别模型接下来安装OpenCV和dlib，用dlib提取人脸特征，并且将提取特征后的图片存储到output_img下。由于我们是在Docker环境下安装dlib和OpenCV的，因此，两者的安装方法相对操作系统环境下的有所区别。安装dlib之前需要安装cmake。安装cmake的命令如下，结果如图所示。#pipinstallcmake训练人脸识别模型安装dlib的命令如下。#pipinstalldlib最后，安装OpenCV，命令如下。#pipinstallopencv-contrib-python训练人脸识别模型准备工作做好之后，我们需要用dlib把图片处理一下代码参考书本P176~P177代码写好之后，运行代码，等待图片处理完成，如图所示。训练人脸识别模型