识狗君微信小程序的部署

日历哗啦啦的往前翻，很快就要翻过2018，迎来2019年。今天预报了好久的大雪终于降临到了武汉，外面白雪皑皑，家中温暖如春，这个时候感觉最惬意。古人有诗云：绿蚁新醅酒，红泥小火炉。晚来天欲雪，能饮一杯无？，而现代人则在朋友圈中欢呼着下雪，各有各的庆祝方式，并无高下之分。

在后台有收到朋友询问识狗君微信小程序的部署，我开始觉得之前的几篇文章已经讲的很清楚，问的朋友多了，返回去再看，发觉几篇文章是站在开发的角度写的，比较散，决定在2018年最后的一篇文章整理一下关于识狗君微信小程序的部署，算是对2018年机器学习项目的一个总结。

如果你还不了解识狗君微信小程序这个项目，请参考以下几篇文章：

当微信小程序遇上TensorFlow：Server端实现

当微信小程序遇上TensorFlow：Server端实现补充

当微信小程序遇上TensorFlow：小程序实现

当微信小程序遇上TensorFlow：接收base64编码图像数据

当微信小程序遇上TensorFlow：终章

项目主页： https://github.com/mogoweb/AIDog

说是微信小程序的部署，但本文并不打算讲解如何申请、开发和审核微信小程序，而是说明服务端的部署。如果想了解微信小程序的开发，请参考腾讯官方文档。

以下步骤中涉及到的模型、数据集，我上传到了百度网盘，可以根据需要下载：

链接: https://pan.baidu.com/s/1kaoiV_uMFS_7IK-HMO1G8A 提取码: ct9e

训练模型

这个步骤是可选步骤，你可以使用训练好的模型：inception_v3.tar.gz，这个版本是我在Google官方inception V3模型的基础上，使用stanford dog datasets数据集训练而得的模型，请注意和原版的区别。

如果想自行训练模型，请接着往下看。

带标签的狗狗数据集采用stanford dog datasets，请自行下载并解压，然后执行如下命令进行训练：

python retrain.py --image_dir=./Images --saved_model_dir=models/inception_v3 --model_version 2

训练的模型保存于models/inception_v3/2，其中2是版本号，可以通过retrain.py脚本的命令行参数进行指定。

注意： 这个训练过程会从网络下载Inception V3原版模型，需要翻墙才行。无法翻墙的朋友也可以采用如下的方法，将tfhub_modules.tgz的内容解压到/tmp目录下，内容大体如下：

alex@alex-550-279cn:~/work/ai/workspace/AIDog/serving$ ls -la /tmp/tfhub_modules/
total 88
drwxr-xr-x  3 alex alex  4096 12月 30 19:27 .
drwxrwxrwt 15 root root 73728 12月 30 19:31 ..
drwxr-xr-x  4 alex alex  4096 10月  9 10:04 11d9faf945d073033780fd924b2b09ff42155763
-rw-rw-r--  1 alex alex   161 10月  9 10:04 11d9faf945d073033780fd924b2b09ff42155763.descriptor.txt
alex@alex-550-279cn:~/work/ai/workspace/AIDog/serving$

这个训练过程有点长，在我的PC上带GTX 960的显卡训练，大约需要两个小时。

让模型接收base64编码图像

通过上一个步骤训练出的模型接收的是(299, 299, 3)的二进制图像数据，这种二进制数据不方便通过HTTP传递，HTTP传输二进制数据常用的方案是对二进制数据进行base64编码。

如何看出模型接收什么类型数据？我们可以通过save_model_cli.py脚本查看模型的签名，这个脚本由tensorflow提供，如果你下载了tensorflow源码，在其 tensorflow/python/tools/ 目录下，可以使用如下命令查看我们训练出来的模型:

python ~/work/ai/tensorflow/tensorflow/tensorflow/python/tools/saved_model_cli.py show --dir ~/work/ai/workspace/AIDog/serving/models/inception_v3/2 --allMetaGraphDef with tag-set: 'serve' contains the following SignatureDefs:signature_def['serving_default']:The given SavedModel SignatureDef contains the following input(s):inputs['image'] tensor_info:dtype: DT_FLOATshape: (-1, 299, 299, 3)name: Placeholder:0The given SavedModel SignatureDef contains the following output(s):outputs['prediction'] tensor_info:dtype: DT_FLOATshape: (-1, 120)name: final_result:0Method name is: tensorflow/serving/predict

从中我们可以看出模型的输入参数名为image，其shape为(-1, 299, 299, 3)，这里-1代表可以批量输入，通常我们只输入一张图像，所以这个维度通常是1。输出参数名为prediction，其shape为(-1, 120)，-1和输入是对应的，120代表120组狗类别的概率。

为了让模型接收base64编码图片，我们在模型的输入前面增加一层，进行base64及解码处理：

python rebuild_model.py --model_dir models/inception_v3/3 --origin_model_dir models/inception_v3/2/

其中:

model_dir 参数为接收base64输入模型输出的目录
origin_model_dir 参数为上一个步骤训练出来的模型

这个时候我们再来看看第三个版本模型的签名：

python ~/work/ai/tensorflow/tensorflow/tensorflow/python/tools/saved_model_cli.py show --dir ~/work/ai/workspace/AIDog/serving/models/inception_v3/3 --allMetaGraphDef with tag-set: 'serve' contains the following SignatureDefs:signature_def['serving_default']:The given SavedModel SignatureDef contains the following input(s):inputs['image'] tensor_info:dtype: DT_STRINGshape: unknown_rankname: base64_string:0The given SavedModel SignatureDef contains the following output(s):outputs['prediction'] tensor_info:dtype: DT_FLOATshape: (-1, 120)name: import_1/final_result:0Method name is: tensorflow/serving/predict

可以看到，模型的输入为字符串数据，即base64编码字符串。

申请证书

因为微信小程序要求HTTP请求走更加安全的HTTPS协议，所以必须提供一个SSL证书。

我们可以上阿里云申请一个免费的证书，虽然有效期只有一年，但商业用的证书比较贵，根据需要选择吧。需要注意的是，阿里云上申请证书很隐蔽，我也是尝试了好几个组合，那个免费证书的选项才出现。因为我的主机就是托管在阿里云上，域名也是使用阿里云的DNS服务，所以申请完后，很快就审核通过，然后就可以下载证书。证书下载时我选择证书for Nginx，下载下来就是两个文件：一个pem文件，一个key文件。

安装Simple TensorFlow Serving

这个Simple TensorFlow Serving是一个Google官方TensorFlow　Serving的封装，是机器学习模型的通用且易于使用的服务。项目主页：https://github.com/tobegit3hub/simple_tensorflow_serving

Simple TensorFlow Serving的安装非常简单：

pip install simple_tensorflow_serving

启动服务

接下来启动server：

simple_tensorflow_serving --enable_ssl=True --model_base_path="./tensorflow/serving/models/inception_v3" --secret_pem="./certs/215052392380319.pem" --secret_key="./certs/215052392380319.key" --log_level="debug" --debug=True

其中：

enable_ssl参数表示是否启用https
model_base_path指定模型的基础路径，需要注意的是，这个基础路径不带版本号数字，我们可以有多个版本的模型，所以这个目录下可能有1, 2, 3之类的子目录，分别对应不同版本的模型，微信小程序或客户端可以选择使用哪个版本
secret_pem 和 secret_key 为证书申请过程中获得的两个证书文件
后面两个参数用于调试，可以不用

要验证服务器是否部署成功，可以使用简单的客户端程序测试一下：

python test_client.py --image=./Images/n02116738-African_hunting_dog/n02116738_1105.jpg

结果如下：

n02116738 african hunting dog 0.780203342438
n02115913 dhole 0.0102733308449
n02092002 scottish deerhound 0.00600153999403

前面是类别标签，后面是属于某个类别的概率，上面结果中Top 1概率0.78。

微信小程序的代码可以参见github项目，这里就不多说明了。

Q & A

在执行saved_model_cli.py脚本时，出现如下错误是什么原因？

/data/ai/anaconda3/envs/keras/lib/python3.6/importlib/_bootstrap.py:219: RuntimeWarning: numpy.dtype size changed, may indicate binary incompatibility. Expected 96, got 88return f(*args, **kwds)
/data/ai/anaconda3/envs/keras/lib/python3.6/importlib/_bootstrap.py:219: RuntimeWarning: numpy.dtype size changed, may indicate binary incompatibility. Expected 96, got 88return f(*args, **kwds)
Traceback (most recent call last):File "tensorflow/python/tools/saved_model_cli.py", line 913, in <module>sys.exit(main())File "tensorflow/python/tools/saved_model_cli.py", line 909, in mainargs.func(args)File "tensorflow/python/tools/saved_model_cli.py", line 610, in show_show_all(args.dir)File "tensorflow/python/tools/saved_model_cli.py", line 192, in _show_alltag_sets = saved_model_utils.get_saved_model_tag_sets(saved_model_dir)
AttributeError: module 'tensorflow.python.tools.saved_model_utils' has no attribute 'get_saved_model_tag_sets'

答：是由于tensorflow源码和python环境中安装的tensorflow包版本不一致，可以使用python环境中安装的tensorflow包中的那个saved_model_cli.py脚本。

小结

到这里，关于识狗君微信小程序的部署就讲完了，如果这个步骤中有疑问的地方，请与我联系。

马上就要到2019年了，在这里祝各位朋友在2019年工作顺利，心想事成！