UCloud發(fā)力AI在線服務(wù) UAI-SERVICE“零基礎(chǔ)”實(shí)現(xiàn)人臉表情識(shí)別

5G寬帶 dvbcn編輯 2017-07-20 09:32 閱讀 6,221 來(lái)源：DVBCN 　

最近幾年，人工智能（AI）技術(shù)不斷發(fā)展，從新聞智能推薦到聽歌識(shí)曲，再到被廣泛應(yīng)用的人臉識(shí)別技術(shù)，處處可見(jiàn)人工智能的身影。不得不說(shuō)，人工智能已經(jīng)逐漸滲透大眾日常生活，成為不可或缺的一部分。那么如何從“零”開始去實(shí)現(xiàn)一個(gè)AI功能？讓UCloud來(lái)幫您。

UCloud推出了AI as a Service平臺(tái)，該平臺(tái)基于UCloud豐富的計(jì)算資源與分布式系統(tǒng)實(shí)踐經(jīng)驗(yàn)，致力于提供廉價(jià)、高可靠、高彈性、高易用性的AI在線服務(wù)，將客戶從繁雜的平臺(tái)系統(tǒng)開發(fā)和運(yùn)維工作中解放出來(lái)。

以在線人臉表情識(shí)別為例，說(shuō)明如何借助UAI－Service以及開源算法，輕松實(shí)現(xiàn)在線服務(wù)，“零基礎(chǔ)”入門使用AI。另外還對(duì)AI在線服務(wù)的性能進(jìn)行了評(píng)估，將其與GPU性能進(jìn)行比對(duì)，使用戶更直觀的了解AI在線服務(wù)性能優(yōu)勢(shì)。

實(shí)現(xiàn)步驟

整個(gè)實(shí)現(xiàn)過(guò)程主要由兩部分組成，首先利用tensorflow1.1.0訓(xùn)練所需的模型文件，其次按照UAI－SERVICE的使用說(shuō)明部署在線服務(wù)。具體步驟如下：

Step 1：模型訓(xùn)練

Step1.0 安裝tensorflow1.1.0

安裝環(huán)境為ubuntu14.04.5, python版本為2.7.6，直接借助pip安裝tensorflow，指令如下：

bash

pip install tensorflow=1.1.0

Step1.1 選擇合適的數(shù)據(jù)庫(kù)

UCloud選擇使用目前較大的人臉表情識(shí)別公開數(shù)據(jù)庫(kù)fer2013，共包含35887張人臉圖片，其中訓(xùn)練集28709張、驗(yàn)證集3589張、測(cè)試集3589張。數(shù)據(jù)庫(kù)中各個(gè)樣本在年齡、面部方向等有比較大的差異性，具有一定的實(shí)際意義，也使表情識(shí)別更具挑戰(zhàn)性。

同時(shí)，數(shù)據(jù)庫(kù)中的圖片均為灰度圖片，大小為48*48像素，樣本被分為生氣、厭惡、恐懼、開心、中性、傷心、驚訝七類，各種類型分布基本均勻。（該數(shù)據(jù)庫(kù)實(shí)際為kaggle一個(gè)比賽項(xiàng)目提供的數(shù)據(jù)，官方給出的文件格式為csv，手動(dòng)將其轉(zhuǎn)換成了圖片格式。）

Step1.2 數(shù)據(jù)預(yù)處理

實(shí)際選用了tensorflow提供的TF-Slim實(shí)驗(yàn)庫(kù)。具體參見(jiàn)TF_Slim官方文檔說(shuō)明。

TF-Slim是一個(gè)用于tensorflow定義、訓(xùn)練和評(píng)估復(fù)雜模型的新型輕量級(jí)API，它提供了集中廣泛使用的卷積神經(jīng)網(wǎng)絡(luò)圖像分類模型代碼以及預(yù)訓(xùn)練模型，同時(shí)還包含了運(yùn)行腳本，借助它可以快速入門，既可以從頭開始訓(xùn)練模型，也可以對(duì)已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)權(quán)重進(jìn)行微調(diào)。

TF-Slim提供了將數(shù)據(jù)集轉(zhuǎn)換成tfrecord格式的代碼，對(duì)代碼進(jìn)行調(diào)整后可以將所用的數(shù)據(jù)集fer2013轉(zhuǎn)成tfrecord格式。

數(shù)據(jù)形式如下所示，其中l(wèi)abels.txt中包含了類別的映射：

Step1.3 訓(xùn)練

本次訓(xùn)練選用了較大的模型inception_v3，對(duì)官方給出的預(yù)訓(xùn)練模型進(jìn)行微調(diào)。由于訓(xùn)練模型的目的在于嘗試一下在線服務(wù)，因而該訓(xùn)練過(guò)程并未過(guò)多的涉及調(diào)參。

調(diào)用指令示例如下：

bash

TRAIN_DIR=./train_log

DATASET_DIR=./fer2013

PRETRAINED_CHECKPOINT_DIR=./pretrain_model

python train_image_classifier.py \

–train_dir=${TRAIN_DIR} \

–dataset_name=fer2013 \

–dataset_split_name=train\

–dataset_dir=${DATASET_DIR} \

–model_name=inception_v3 \

—checkpoint_path=${PRETRAINED_CHECKPOINT_DIR}/inception_v3.ckpt \

–checkpoint_exclude_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \

–trainable_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \

–max_number_of_steps=1000 \

–batch_size=32 \

–learning_rate=0.01 \

–learning_rate_decay_type=fixed \

–save_interval_secs=60 \

–save_summaries_secs=60 \

–log_every_n_steps=100 \

–optimizer=rmsprop\

–weight_decay=0.00004

進(jìn)行模型微調(diào)時(shí)，系統(tǒng)自動(dòng)保留最新的五個(gè)生成模型，如果發(fā)生中斷，過(guò)后會(huì)在最新模型基礎(chǔ)上繼續(xù)微調(diào)。

訓(xùn)練模型文件如下：

Step 2：部署在線服務(wù)

模型訓(xùn)練完成之后，就準(zhǔn)備上手部署！

按照官方文檔的提示（https://docs.ucloud.cn/analysis/uai-service/index），在線部署的主要步驟如下（因個(gè)人喜好，本次選擇用命令行部署，官方也給出了使用Console部署的操作說(shuō)明）。

Step2.0 安裝UCloud UFile SDK以及UAI SDK

• 前者是UCloud對(duì)象存儲(chǔ)的SDK（http://sdk.ufile.ucloud.com.cn/python_sdk.tar.gz），主要用于將部署服務(wù)需要的模型和代碼文件上傳到UCloud的對(duì)象存儲(chǔ)空間中，這就涉及到首先創(chuàng)建一個(gè)屬于自己的私有空間，具體步驟在此不贅述。

• 后者是UAI在線服務(wù)的SDK（https://gitlab.ucloudadmin.com/uai-service/uai-sdk/tree/master），提供了部署在線服務(wù)的命令行工具。

Step2.1 依據(jù)SDK工具包內(nèi)的代碼框架編寫inference代碼

代碼如下：

python

# fer_inference.py

import numpy as np

import tensorflow as tf

from PIL import Image

from inception_v3 import *

from uai.arch.tf_model import TFAiUCloudModel

class FerModel(TFAiUCloudModel):

def__init__(self, conf):

super(FerModel, self).__init__(conf)

defload_model(self):

sess =tf.Session( )

input_tensor = tf.placeholder(tf.float32, [None, 299, 299, 3])

arg_scope= inception_v3_arg_scope( )

withslim.arg_scope(arg_scope):

logits, end_points = inception_v3(input_tensor,

is_training=False,

num_classes=7)

saver= tf.train.Saver( )

params_file = tf.train.latest_checkpoint(self.model_dir)

saver.restore(sess,params_file)

self.output['sess'] = sess

self.output['input_tensor'] = input_tensor

self.output['logits'] = logits

self.output['end_points'] = end_points

def execute(self, data, batch_size):

sess =self.output['sess']

input_tensor = self.output['input_tensor']

logits =self.output['logits']

end_points = self.output['end_points']

ims = [ ]

for i inrange(batch_size):

im =Image.open(data[i]).resize((299, 299))

im = np.array(im) / 255.0

im =im.reshape(299, 299, 3)

ims.append(im)

ims =np.array(ims)

predict_values, logit_values = sess.run(

[end_points['Predictions'], logits], feed_dict={input_tensor: ims})

ret = [ ]

for valin predict_values:

ret_val = np.array_str(np.argmax(val)) + '\n'

ret.append(ret_val)

return ret

Step2.2 打包上傳需要的模型及代碼文件

打包目錄

模型文件目錄(checkpointdir目錄下)

打包上傳文件：

bash

python tf_deploy.py pack –public_key=MY_PUBLIC_KEY –private_key=MY_PRIVATE_KEY –bucket=MY_BUCKET –pack_file_path=/Users/littleape1022/Desktop/fer_uaiservice –main_file=fer_inference –main_class=FerModel –model_dir=checkpoint_dir –code_files=fer_inference.py,inception_v3.py,inception_utils.py –upload_name=fer_uaiservice.tar –ai_arch_v=tensorflow-1.1.0

Step2.3 創(chuàng)建服務(wù)

• 創(chuàng)建服務(wù)：

bash

python tf_deploy.py create –public_key=MY_PUBLIC_KEY –private_key=MY_PRIVATE_KEY –service_name=fer_uaiservice –cpu=8 –memory=8

• 創(chuàng)建服務(wù)后返回如下：

Step2.4 部署服務(wù)

• 部署服務(wù)：

bash

python tf_deploy.py deploy –service_id=uaiservice-av4p1c –public_key=MY_PUBLIC_KEY –private_key=MY_PRIVATE_KEY –ai_arch_v=tensorflow-1.1.0 –ufile_url="MY_UFILE_URL" –pip=pillow

• 部署成功后返回如下：

可以看到已經(jīng)返回服務(wù)的URL了，但注意到狀態(tài)是“ToStart”，啟動(dòng)之后就可以借助URL來(lái)訪問(wèn)服務(wù)。

Step2.5 啟動(dòng)服務(wù)

• 啟動(dòng)服務(wù)：

bash

python tf_deploy.py start –public_key=MY_PUBLIC_KEY –private_key=MY_PRIVATE_KEY –service_name=fer_uaiservice –service_version=SERVICE_VERSION –paas_id=Srv_PAAS_ID

• 啟動(dòng)成功后返回如下：