前面写了一篇文章 现在开始：用你的Mac练习和安顿一个图片分类模型，有同学就说了，没有 Mac 电脑怎样办? 没有Mac 电脑也能够体会机器学习啦。
这篇文章教咱们怎样在阿里如此开发途径徒手练习和安顿一个图片分类模型~~~~
创立运用
首要Linux咱们进入阿里如此开发途径 workbench.aliyun.com ，点击免费云开发，用自己的阿里云账号登录。
登录后，新建团队，在团git教程队下新建产品，然后在挑选一个产品点击后端破解体系进入，新建运用。假如已有团队和产品，直接挑选一个产品，在此产品下新建运用。
创立运用挑选 WEB 下的 Python 前后端一体化运用计划。
运用称谓填 姓名-作业称谓， Region 挑选杭州。
创立完结后，点击「开发安顿」进入。
进入运用后，删去运用下的文件，保存 .gitignore 和 .workbench。
然后翻开终端， clone 讲师预备好的代码并进入项目。
gAPPit clone https://github.com/imgcolinux中文乱码视频ok/ml-mac-classifytensorflow最具体教程.git
项目目录如下：
.
├── deploylinux检查进程指令-project // 安顿代码
│ ├── app.py
│ └── label.json
├giti轮胎是什么品牌── pgithubredict-pgithub敞开私库roject // 猜测代码
│ ├── predict.py
│ └── test
├── README.md后端破解体系
└── train-protensorflow和pytorch哪个好jectAPP /apple/练习代码
├── CNN_net.py
├── datas后端破解体系et
├── nn_train.py
└── utils_paths.py
环境预备
留后端破解体系意：咱们现在是在你当时开的终端 Tab 下设备环境，
设备 Anaconda
下载：
wget https://mirrors.tgithubuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-5.3.1-Lintensorflow版本ux-x86_64.sh
设备：
bash Anaconda3-5.3.1-Linux-x86_64.sh
实施设备指令后提示：
按提示按下 enter(回车) 键之后，linux是什么操作体系出appreciate现一个“MgitlabORE”的字样。
一贯按空格会往下打印 licence。一贯按住空格直到看到下面的指令，然后输入 yes 接受协议, 然后按 ENTER（后端破解体系下载手机版回车）承认设备方位。
然后开始设备appear：
问询是否在环境中配备 anaconda 的环境，输入 yes
问询是否设备vscode？输入 no
设备成功后，在终端指令行实施以下指令，使环境变量当即收效：
source ~/.bashrcLinux
能够实施以下后端开发需求学什么指令，检查环境变量
cat ~/.bashrc
能够看到 anaconda 的环境变量现已自动增加到 .bashrc 文Linux件了
实施以下指令tensorflow和pytorch哪个好能够看到 Anaconda 中有许多现已设linux备好的包linux检查进程指令，linux指令假如有运用到这些包的就不需求再设备了，python 环境也装好了。
conda list
设备相关依托
先晋级 pip 版本
pip ins后端组tall -U pip -i https://pypi.tutensorflow装置na.tsinghua.edu.cn/simple
设备依托：
pip install tensorflow -i https://pypi.tuna.tlinux体系装置singhua.edugiticomfort.cn/simple pip install keras -i https://pypi.tuna.tsinglinuxhua.edu.cn/simple pip install opencvlinux配置ip地址-python -i https://pypi.tuna.tsinghua.linux常用指令edu.cn/simple
$ pip install tensorflow --ignore-in后端工程师主要做什么stalled wrapt -i ht后端开发tps://pypi.tuna.tsinghua.edu.cn/simple
终究，你能够用 pip list 检查是否设备成功。
$ pip list
样本预备
这儿只预备了 4 个分类： buapprovetton、klinux检查进程指令eyboard、searchbar、swit后端ch，放在 train-project/dataset 目录下，每个分类 200 个左右后端开发需求学什么的样本。
你能够自己在这儿增加一些样本，丰厚品种和数量。
模型练习
实施以下指令开始练习：
# 进入 train-project
$ cd ml-mac-classify/train-prAPPojlinuxect/
# 开始练习
$ python nn_train.py
现已开始打印练习日志：
代码中设置 epoch 参数为后端工程师主要做什么5 ，练习 5 轮后结束。
终究保存练习APP作用：
能够看到左边生成了两个文件：模型文件 cnn.model.h5 和 丢掉函数曲线 cnn_plot.pnlinux中文乱码视频g。（留心 cnn.model.h5 很大，主张不要在此途径上点击检查，简单卡死。）
关于实践gitlab运用场景下，数据集很大，epoch 参数也会设后端和前端有什么区别置比较大，并在高性能的机器上练习。咱们当时的目的了解怎样完结一个机器学习的使命，为了能在较短的时间内练习完毕，只给了很少的样原本练习模型，epoch 也很小（为 5），当然模型的辨认准确率也会很差，。你appear能够扩大数据集的数量，并通过调参来提高模型的猜测准确度。
安顿模型服务
先将 cnn.model.h5 文件仿制或移动到 deploy-project 中。
# 当时在 trani-project 路径下
$ mv cnn.model.h5 ../deploy-project
现在 deplinux常用指令loy-project 的目录如下：
.
├giticomfort── app.py后端破解体系下载手机版
├── cnn.model.h5
└── label.json
假如有批改样本品种，需求相应的批改 deploy-project/label.json。例如新增类别 select, 需求linux在文件中增加 select。
{
"button": 0,
"keyboard": 1,
"searchbar": 2,
"switapproachch": 3,
"select": 4
}
创立 anaconda 的虚拟环境
按以下次第实施指令。
# 进后端破解体系下载手机版入 delpoy-project， 能够在appleid终端输入 pwd 检查当时地址路径
$ cd ..apple/deploy-project/
# 运用conda创立python环境，目录需指定固定姓名：ENV
$ conda creat后端组e -p Egit教程NV python=3.7
# 设备EAS python sdk
$ ENV/bin/pip install htt后端开发需求把握什么技能p://eastensorflow最具体教程-data.后端开发需求把握什么技能oss-cn-shanghai.aliyuncs.com/sdk/allspark-0.9-py2.py3-ngithub敞开私库ongiteee-any.whl
# 设备其它依托包
$ ENV/github敞开私库bin/pip install tensorflgiteeow keras opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
$ ENV/bin/pip install pillow -i htappletps://pypi.tuna.tsinghua.edu.cn/simple
# 激活虚拟环境
$ c后端开发工资一般多少onda activate ./ENV
# 退出虚拟环境（不运用时实施 $ conda deactivate）
安顿服务
现在能够本地安顿了，实施以下指令：
./ENV/bin/python app.py
下面tensorflow框架的日志能够看tensorflow最具体教程到安顿成功。
安顿成功后后端破解体系，能够通过 localhost:8080/predict 访问模型服务了。
新翻开一个终端 Tab, 咱们linux检查进程指令用 curl 指令来发一个 post 央求， 猜测图片分类， imagesgiti轮胎是什么品牌 能够替换为giti你的图片。
cuapproverl -X POST 'localhost:8080/predict'
-H 'Conappreciatetent-Typeapplication: application/json'
-d '{
"images": ["https://img.alicdn.com/tfs/TB1W8K2MeH2gK0jSZJnXXaT1FXa-638-430.后端工程师主要做什么png"],
"threshold": 0.5
}'
得到猜测作用(这儿猜测的作用是错的)：
{"content": [{"isConfident": true, "label"tensorflow下载: "keyboard"}]}
留心事项
- 文档中环境设备每一步都要成功，否则简单遇到各种环境问题。
- 模型文件 cnn.model.h5 特别大，不要点击检查， 否则整个页面会卡死。
- 下次再进入运用需求从头设备环境
- git push 需求删去大文件，例如 ENV 和 cnn.model.h5，否则无法提交。
评论(0)