不懂代码系列：一键部署TensorFlow模型

上一篇【不懂代码之TensorFlow做验证码识别了】传送门：https://www.jianshu.com/p/b1a5427db6e2

笔者每每有一个伟大的梦想时，总是遭到【二狗】的无情阻挠，都只好先告一段落，现祭出【二狗臣服图】望她能悬崖勒马，金盆洗手，浪子回头，痛改前非。

死赖着不走系列

说到梦想，我刚好有一个，我希望成为一个优雅的程序猿，每一行代码都是艺术品，不会有人交接我代码的时候忍不住破口大骂“这是实习生写的吧”。不说废话，下面给大家介绍的是承接上一篇文章的，一键部署训练模型的一条龙服务。

1. 配置文件

model.yaml

# Convolution: The number of layers is at least 3.
# - The number below corresponds to the size of each layer of convolution.
System:
  Device: 'gpu:0'

# CharSet: [ALPHANUMERIC, ALPHANUMERIC_LOWER, ALPHANUMERIC_UPPER, NUMERIC].
# ImageChannel: [1 - Gray Scale, 3 - RGB].
Model:
  ModelName: zhengf
  ImageChannel: 1
  CharLength: 4
  CharSet: ALPHANUMERIC

# OriginalColor: [false - Gray Scale, true - RGB].
# Binaryzation: [-1: Off, >0 and < 255: On].
# Smoothing: [-1: Off, >0: On].
# Blur: [-1: Off, >0: On].
Pretreatment:
  Magnification: 0
  OriginalColor: false
  Binaryzation: 150
  Smoothing: 1
  Invert: true
  Blur: -1

这次只有一个配置，上一篇训练模型所用的model.yaml是可以直接搬迁过来的。为什么识别的服务还需要预处理（Pretreatment）的参数呢，原因很简单。假设，为了训练一只猫识别“大鸡腿”（训练），而我们手里只有一整只鸡，预处理就是把“鸡”变成“大鸡腿”的过程，鸡好比（原未处理的验证码图片）。所以若是丢一整只鸡给猫（用未预处理的图片作为输入），猫是一脸懵逼的（无法输出预测）。

喻体	本体
大鸡腿	预处理后的验证码图片
鸡	原未处理的验证码图片
猫	计算机或机器学习系统
把“鸡”变成“大鸡腿”的过程	预处理

2. 部署：什么就一步？

将训练好的pb格式模型，放置于部署工具同一路径的model文件夹下。

GIF.gif

单文件双击即开即用。

3. 调用

部署方式为HTTP服务，提供POST方式调用，参数格式为JSON。
请求地址：http://localhost:19951/captcha/v1

参数	必选	类型	说明
image	Yes	String	Base64 编码

Python调用示例代码：

import base64
import requests


captcha_url = "http://www.***.com/CheckCode"
captcha_bytes = requests.get(captcha_url).content

url = 'http://localhost:19951/captcha/v1'
_params = dict(image=base64.b64encode(captcha_bytes).decode())
resp = requests.post(url, json=_params)

print(resp.text)
with open("captcha_{}.jpg".format(resp.json().get("message").get("result")), "wb") as f:
    f.write(captcha_bytes)

返回结果结构：

{"message": {"result": "5qhl"}, "code": 200, "success": true}

4. 下载地址

链接: https://pan.baidu.com/s/15gn481ekQhd_tN5ip_xwsQ
密码: vg33
GPU版本需要下载安装CUDA和cuDNN依赖，下载地址见上篇

5. 后记

如果各位大佬已经有了自己的训练代码，也可以微调一下神经网络的结构，与之对应。其实只要修改输入与输出的scope_name。可参考部署代码：

predict = sess.graph.get_tensor_by_name("output/predict:0")
x = sess.graph.get_tensor_by_name('input:0')
keep_prob = sess.graph.get_tensor_by_name('keep_prob:0')

改法大致如下：即可适应于本套部署工具：

x = tf.placeholder(tf.float32, [None, IMAGE_HEIGHT * IMAGE_WIDTH], name='input')
label = tf.placeholder(tf.float32, [None, MAX_CAPTCHA_LEN * CHAR_SET_LEN], name='label')
keep_prob = tf.placeholder(tf.float32, name='keep_prob')
...
with tf.name_scope('output'):
    _x = linear(_x)
    final_output = tf.reshape(_x, [-1, MAX_CAPTCHA_LEN, CHAR_SET_LEN])
    predict = tf.argmax(final_output, 1, name='predict')

如果各位好汉对验证码识别感兴趣的，可以加QQ群（857149419）交流，新群，欢迎大家一起学习和交流。