医疗问答机器人项目部署

文章目录

医疗问答机器人项目部署
1. 拉取TensorFlow镜像
2. 配置系统环境
- 2.1 更换软件源
- 2.2 下载vim
- 2.3 解决vim中文乱码问题
- 2.4 安装Neo4J图数据库
- 2.5 安装网络工具包
3. 运行项目
- 3.1 拷贝项目到容器中
- 3.2 安装项目所需的工具包
- 3.3 导入数据
- 3.4 打开实体抽取服务
- 3.5 打开意图识别服务
- 3.6 打开问答助手服务
- 3.7 效果展示
4. 搭建项目镜像
- 4.1 Docker commit搭建
- 4.2 Dockerfile搭建
5. 发布项目镜像

这是去年8月份做的项目，当时我参加了南航16院卓工班的实训，是做了一个智能医疗系统，其中包含了这个医疗问答助手功能。由于当时受限于时间和知识水平，当时的问答助手的功能较为简单，可以理解为是基于规则的问答系统，不能算真正意义上的智能。故在今年年初的时候再完善一下这个项目，使用NLP领域的一些算法使其更符合实际使用。

1. 拉取TensorFlow镜像

从Docker Hub拉取TensorFlow的镜像，在该镜像上进行下面的操作。

# 拉取镜像
$ docker pull tensorflow/tensorflow:1.14.0-py3
# 生成容器
$ docker run -dit --name diagnosis -p 5002:5002 -p 7474:7474 -p 7473:7473 -p 7687:7687 -p 60061:60061 -p 60062:60062 tensorflow/tensorflow:1.14.0-py3
# 进入容器
$ docker exec -it diagnosis bash

5002端口是项目端口；7473、7474和7687三个端口是neo4j的端口；60061和60062是另外两个服务的端口。

查看容器tensorflow的版本和gpu是否可用，进入python终端输入下面的指令，可以看到使用的tensorflow版本是1.14.0。

>>> import tensorflow as tf
>>> tf.__version__
'1.14.0'
>>>tf.test.is_gpu_available()
False

2. 配置系统环境

查看Ubuntu版本，即18.04.2版本。

root@322e47635519:/workspace/Diagnosis-Chatbot# cat /etc/issue
Ubuntu 18.04.2 LTS \n \l

2.1 更换软件源

先备份原有的软件源，命令如下。

cp /etc/apt/sources.list /etc/apt/sources.list.bak

因为镜像没有安装vim，故只能通过echo指令更改/etc/apt/sources.list文件内容。

阿里源

echo "">/etc/apt/sources.list
echo "deb http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse">>/etc/apt/sources.list
echo "deb http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse">>/etc/apt/sources.list
echo "deb http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse">>/etc/apt/sources.list
echo "deb http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse">>/etc/apt/sources.list
echo "deb http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse">>/etc/apt/sources.list
echo "deb-src http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse">>/etc/apt/sources.list
echo "deb-src http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse">>/etc/apt/sources.list
echo "deb-src http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse">>/etc/apt/sources.list
echo "deb-src http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse">>/etc/apt/sources.list
echo "deb-src http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse">>/etc/apt/sources.list

更新软件源。

apt-get update
apt-get upgrade

在更换软件源时，我首先使用的是清华源，但是在下载vim时提示说不能下载vim相关的一些依赖。在网上搜索后应该是源的问题，后来我就更换为阿里源了。

2.2 下载vim

修改文件内容需要使用vim，所以要下载。

apt-get install vim -y

下载完成后可以通过下面的指令查看vim的版本。

vim --version

2.3 解决vim中文乱码问题

修改/etc/vim/vimrc内容，在最后面添加下面的内容：

set fileencodings=utf-8,ucs-bom,gb18030,gbk,gb2312,cp936
set termencoding=utf-8
set encoding=utf-8

设置后文件内的中文就可以正常显示了。

2.4 安装Neo4J图数据库

详细步骤可以看我的另外一篇博客—在Linux系统下安装Neo4j图数据库。

2.5 安装网络工具包

apt-get install inetutils-ping
apt-get install net-tools

3. 运行项目

3.1 拷贝项目到容器中

首先在容器中创建workspace目录，将项目代码放入到该目录下。

root@322e47635519:/# mkdir workspace

将本机上的项目代码文件拷贝到容器的工作目录下。

$ docker cp "本机上项目的路径" diagnosis:/workspace/

上面的指令实现的功能是，将项目拷贝到diagnosis容器中的/workspace/目录下。

3.2 安装项目所需的工具包

首先要升级pip，升级指令如下。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade pip

使用pip指令下载工具包，-i后面使用的清华源，最后是工具包的名称。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple packageName

在该容器中，我需要安装的包如下：

# 导入Neo4j数据库
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple py2neo==2021.2.3
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pandas==1.1.5
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tqdm==4.62.3
# 启动问答助手服务
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy==1.19.5
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple flask==1.1.4
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple flask_cors==3.0.10
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scikit-learn==0.24.1
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple requests==2.26.0
# bilstm算法
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyahocorasick==1.4.2
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple gevent==1.5.0
# 意图识别
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple bert4keras==0.10.8
# 语音识别
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple huggingface_hub==0.0.6
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple hyperpyyaml==0.0.1
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple joblib==0.14.1
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pre-commit==2.3.0
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple sentencepiece==0.1.91
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple SoundFile==0.10.2
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch==1.8.0
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torchaudio==0.8.0

在启动服务的时候报错了：OSError: sndfile library not found。报错原因是因为缺少libsndfile，需要安装，安装指令如下。

$ apt-get install libsndfile1

3.3 导入数据

首先打开容器中的Neo4j服务。

neo4j start

在项目中有个build_kg文件夹，进入到该文件夹中，执行build_kg_utils.py程序即可将数据导入Neo4j数据库中。

$ python build_kg_utils.py

这个过程要等上几个小时。

3.4 打开实体抽取服务

在项目根目录中的knowledge_extraction\bilstm下存放着BiLSTM算法的代码，需要启动该服务。

$ python app.py

因为是使用别人写好的算法代码，在启动时提示版本不兼容的问题，原作者使用的是tensorflow1.0版本，在很多地方上写法不一致，故在此记录。

首先在app.py中需要修改以下代码：

旧代码	新代码
config = tf.ConfigProto()	config = tf.compat.v1.ConfigProto()
sess = tf.Session(config=config)	sess = tf.compat.v1.Session(config=config)
graph = tf.get_default_graph()	graph = tf.compat.v1.get_default_graph()

config = tf.ConfigProto() => config = tf.compat.v1.ConfigProto()
sess = tf.Session(config=config) => sess = tf.compat.v1.Session(config=config)
graph = tf.get_default_graph() => graph = tf.compat.v1.get_default_graph()

3.5 打开意图识别服务

在项目根目录中的nlu\intent_recg_bert下存放着使用Bert模型的意图识别算法的代码，需要启动该服务。

$ python app.py

因为是使用别人写好的算法代码，在启动时提示版本不兼容的问题，原作者使用的是tensorflow1.0版本，在很多地方上写法不一致，故在此记录。

首先在app.py中需要修改以下代码：

旧代码	新代码
config = tf.ConfigProto()	config = tf.compat.v1.ConfigProto()
sess = tf.Session(config=config)	sess = tf.compat.v1.Session(config=config)
graph = tf.get_default_graph()	graph = tf.compat.v1.get_default_graph()

config = tf.ConfigProto() => config = tf.compat.v1.ConfigProto()
sess = tf.Session(config=config) => sess = tf.compat.v1.Session(config=config)
graph = tf.get_default_graph() => graph = tf.compat.v1.get_default_graph()

3.6 打开问答助手服务

在app.py中需要检查主机号和端口号，主机号要写成0.0.0.0不然本机打不开项目，如果端口号要和创建容器时映射的端口一致（这里我设置了5002）。而且要关闭调试模式。

app.run(host='0.0.0.0', port=5002, debug=False, threaded=True)

在完成以上的操作后，在终端中输入如下指令启动项目：

$ python app.py

3.7 效果展示

netstat可以列出正在侦听的所有TCP或UDP端口，包括使用端口和套接字状态的服务。

$ netstat -tunlp
Active Internet connections (only servers)
Proto Recv-Q Send-Q Local Address           Foreign Address         State       PID/Program name
tcp        0      0 0.0.0.0:7687            0.0.0.0:*               LISTEN      1241/java
tcp        0      0 0.0.0.0:5002            0.0.0.0:*               LISTEN      1727/python
tcp        0      0 0.0.0.0:7474            0.0.0.0:*               LISTEN      1241/java
tcp        0      0 127.0.0.1:60061         0.0.0.0:*               LISTEN      1753/python
tcp        0      0 127.0.0.1:60062         0.0.0.0:*               LISTEN      1779/python

-t：显示 TCP 端口
-u：显示 UDP 端口
-n：显示数字地址而不是主机名
-l：仅显示侦听端口
-p：显示进程的 PID 和名称

这时在本机的浏览器上输入localhost:5002即可成功打开项目页面了！

4. 搭建项目镜像

现在把项目所在的容器封装成镜像，方便不同系统上的部署。这里我采用两种方法搭建，分别是Docker commit和Dockerfile搭建项目镜像。

4.1 Docker commit搭建

在Docker中，镜像是多层存储，每一层是在前一层的基础上进行的修改；而容器同样也是多层存储，是在以镜像为基础层，在其基础上加一层作为容器运行时的存储层。

在该项目中，我们是在tensorflow镜像的基础上创建了diagnosis这个容器，并在该容器中进行了修改操作。可以通过 docker diff 命令看到具体的改动。

$ docker diff CONTAINER

docker commit 命令可以将容器的存储层保存下来成为镜像。换句话说，就是在原有镜像的基础上，再叠加上容器的存储层，并构成新的镜像。docker commit 的语法格式为：

$ docker commit [选项] <容器ID或容器名> [<仓库名>[:<标签>]]

在该项目中，我使用如下的指令构建项目镜像：

$ docker commit --author "xxxx" --message "Diagnosis Chatbot Project" diagnosis username/image:tag

其中 --author 是指定作者，而 --message 则是记录本次修改的内容。这点和 git 版本控制相似，不过这里这些信息也可以省略不写。需要注意的是仓库名必须是小写。

用docker image ls指令可以查看我们新创建的镜像。

使用docker run指令可以根据项目镜像生成项目容器，该容器已经配置好环境了，在容器中直接启动服务即可。

4.2 Dockerfile搭建

后续会计划打算用Dockerfile构建这个项目的镜像。

5. 发布项目镜像

将有Docker commit搭建好的项目镜像推送到远端仓库中，指令如下：

$ docker push username/image:tag