次の方法で共有

チュートリアル: Pythonと TensorFlow を使用してAzure Functionsで機械学習モデルを適用する

この記事では、機械学習モデルでPython、TensorFlow、Azure Functionsを使用して、その内容に基づいて画像を分類する方法について説明します。 すべての作業をローカルで行い、クラウドにAzureリソースを作成しないため、このチュートリアルを完了するコストはかからなくなります。

  • PythonでAzure Functionsを開発するためにローカル環境を初期化します。
  • カスタムの TensorFlow 機械学習モデルを関数アプリにインポートする。
  • 犬または猫が含まれる画像を分類するためのサーバーレス HTTP API を構築する。
  • Web アプリから API を使用する。

前提条件

  • アクティブなサブスクリプションを持つAzure アカウント。 無料でアカウントを作成できます。
  • Python 3.7.4。 (Python 3.7.4 および Python 3.6.x は、Azure Functionsで検証されています。Python 3.8 以降のバージョンはまだサポートされていません)。
  • Azure Functions Core Tools
  • Visual Studio Code などのコードエディター

前提条件のチェック

  1. ターミナルまたはコマンド ウィンドウで、func --version を実行して、Azure Functions Core Tools がバージョン 2.7.1846 以降であることを確認します。
  2. python --version (Linux/macOS) または py --version (Windows) を実行して、Python バージョン レポート 3.7.x を確認します。

チュートリアル リポジトリをクローンする

  1. ターミナルまたはコマンド ウィンドウで、Git を使用して次のリポジトリをクローンします。

    git clone https://github.com/Azure-Samples/functions-python-tensorflow-tutorial.git

  2. フォルダーに移動し、その内容を確認します。

    cd functions-python-tensorflow-tutorial
    • start はチュートリアル用の作業フォルダーです。
    • end は、参照用の最終結果と完全な実装です。
    • resources には、機械学習モデルとヘルパー ライブラリが含まれています。
    • frontend は、関数アプリを呼び出す Web サイトです。

Python仮想環境を作成してアクティブ化する

start フォルダーに移動して、次のコマンドを実行し、 という名前の仮想環境を作成してアクティブにします。 Azure Functionsでサポートされている Python 3.7 を使用してください。

  • bash
  • PowerShell
  • コマンド 
cd start
python -m venv .venv
source .venv/bin/activate

Pythonが Linux ディストリビューションに venv パッケージをインストールしなかった場合は、次のコマンドを実行します。

sudo apt-get install python3-venv

以降のコマンドはすべて、このアクティブ化された仮想環境で実行します (仮想環境を終了するには、 を実行します)。

ローカル関数プロジェクトを作成する

Azure Functionsでは、関数プロジェクトは、それぞれが特定のトリガーに応答する 1 つ以上の個々の関数のコンテナーです。 プロジェクト内のすべての関数は、同じローカル構成とホスティング構成を共有します。 このセクションでは、HTTP エンドポイントを提供する という名前の 1 つの定型関数が含まれる関数プロジェクトを作成します。 後のセクションで、より具体的なコードを追加します。

  1. start フォルダーで、Azure Functions Core Tools を使用してPython関数アプリを初期化します。

    func init --worker-runtime python

    初期化後、start フォルダーにはプロジェクト用の各種ファイルが格納されます。たとえば、local.settings.json や host.json といった名前の構成ファイルです。 local.settings.jsonにはAzureからダウンロードしたシークレットを含めることができるため、.gitignore ファイルでは既定でファイルはソース管理から除外されます。

    ヒント

    関数プロジェクトは特定のランタイムに関連付けられているので、プロジェクト内の関数はすべて同じ言語で記述する必要があります。

  2. 次のコマンドを使用して、関数を自分のプロジェクトに追加します。ここで、 引数は関数の一意の名前で、 引数は関数のトリガーを指定するものです。 によって、関数と同じ名前のサブフォルダーが作成されます。ここには、プロジェクト用に選択した言語に適したコード ファイルと、function.json という名前の構成ファイルが含まれます。

    func new --name classify --template "HTTP trigger"

    このコマンドによって、関数の名前 (classify) と同じ名前のフォルダーが作成されます。 このフォルダーには 2 つのファイルが格納されています。1 つは関数コードが含まれている __init__.py で、もう 1 つは関数のトリガーとその入出力バインドを記述した function.json です。 これらのファイルの内容の詳細については、Python開発者ガイドのプログラミング モデルを参照してください。

関数をローカルで実行する

  1. start フォルダー内のローカル Azure Functions ランタイム ホストを起動して、関数を起動します。

    func start

  2. 出力に classify エンドポイントが表示されたら、URL http://localhost:7071/api/classify?name=Azure に移動します。 "Hello Azure!" というメッセージが出力に表示されます。

  3. CtrlC キーを使用してホストを停止します。

TensorFlow モデルをインポートしてヘルパー コードを追加する

classify 関数を変更して、その内容に基づいて画像を分類するには、Custom Vision Service でトレーニングおよびエクスポートされた事前構築済みの TensorFlow モデルAzure使用します。 先ほどクローンしたサンプルの resources フォルダーに格納されているこのモデルは、犬と猫のどちらが含まれているのかに基づいて画像を分類します。 次に、いくつかのヘルパー コードと依存関係を自分のプロジェクトに追加します。

Custom Vision Service の Free レベルを使用して独自のモデルを構築するには、サンプル プロジェクト リポジトリの指示に従います。

ヒント

関数アプリには一切依存せずに TensorFlow モデルをホストしたい場合は、対象のモデルがあるファイル共有を Linux 関数アプリにマウントすることができます。 詳細については、「 ファイル共有のマウント」を参照してください。

  1. start フォルダーで次のコマンドを実行して、モデル ファイルを classify フォルダーにコピーします。 コマンドには、必ず を含めてください。

    • bash
    • PowerShell
    • コマンド 
    cp ../resources/model/* classify

  2. classify フォルダーに model.pb と labels.txt という名前のファイルが含まれていることを確認します。 含まれていない場合は、start フォルダーでコマンドを実行したことを確認してください。

  3. start フォルダーで次のコマンドを実行して、ヘルパー コードが含まれるファイルを classify フォルダーにコピーします。

    • bash
    • PowerShell
    • コマンド 
    cp ../resources/predict.py classify

  4. classify フォルダーに predict.py という名前のファイルが含まれていることを確認します。

  5. テキスト エディターで start/requirements.txt を開き、ヘルパー コードで必要とされる次の依存関係を追加します。

    tensorflow==1.14
Pillow
requests

  6. requirements.txt を保存します。

  7. start フォルダーで次のコマンドを実行して、依存関係をインストールします。 インストールには数分かかる場合があります。その間に、次のセクションに進んで関数の変更を行うことができます。

    pip install --no-cache-dir -r requirements.txt

    Windows では、"Could not install packages due to an EnvironmentError: [Errno 2] No such file or directory: (EnvironmentError: [Errno 2] が原因でパッケージをインストールできませんでした。ファイルまたはディレクトリがありません:)" の後に、sharded_mutable_dense_hashtable.cpython-37.pyc のようなファイルへの長いパス名が続くエラーが表示されることがあります。 通常、このエラーはフォルダー パスが長くなりすぎることが原因で発生します。 この場合は、レジストリ キー を に設定して、長いパスを有効にします。 または、Python インタープリターがインストールされている場所を確認します。 その場所へのパスが長い場合は、短いパスのフォルダーに再インストールしてみてください。

ヒント

最初の予測を行うために predict.py を呼び出すと、 という名前の関数によって TensorFlow モデルがディスクから読み込まれ、グローバル変数内にキャッシュされます。 このキャッシュにより、後続の予測が高速化されます。

予測を実行するよう関数を更新する

  1. テキスト エディターで classify/__init__.py を開き、既存の ステートメントの後に次の行を追加して、標準の JSON ライブラリと predict ヘルパーをインポートします。

    import logging
import azure.functions as func
import json

# Import helper script
from .predict import predict_image_from_url

  2. 関数の内容全体を次のコードで置き換えます。

    def main(req: func.HttpRequest) -> func.HttpResponse:
    image_url = req.params.get('img')
    logging.info('Image URL received: ' + image_url)

    results = predict_image_from_url(image_url)

    headers = {
        "Content-type": "application/json",
        "Access-Control-Allow-Origin": "*"
    }

    return func.HttpResponse(json.dumps(results), headers = headers)

    この関数は、 という名前のクエリ文字列パラメーターで画像 URL を受け取ります。 次に、ヘルパー ライブラリにある を呼び出し、TensorFlow モデルを使用して画像をダウンロードし、分類します。 次に、この関数は、結果と共に HTTP 応答を返します。

    重要

    この HTTP エンドポイントは、別のドメインでホストされている Web ページによって呼び出されるため、応答には、ブラウザーのクロス オリジン リソース共有 (CORS) 要件を満たすための ヘッダーが含まれます。

    実稼働アプリケーションでは、セキュリティを強化するために、 を Web ページの特定のオリジンに変更します。

  3. 変更内容を保存し、依存関係のインストールが完了していることを前提に、 を使用してローカル関数ホストを再度起動します。 必ず、仮想環境をアクティブにして start フォルダーでホストを実行します。 そうしないと、ホストは起動しますが、関数の呼び出し時にエラーが発生します。

    func start

  4. ブラウザーで次の URL を開き、猫画像の URL を使用して関数を呼び出して、返された JSON で画像が猫として分類されることを確認します。

    http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.png

  5. 次の手順で使用するので、ホストは実行したままにしておいてください。

ローカル Web アプリのフロントエンドを実行して関数をテストする

別の Web アプリから関数エンドポイントの呼び出しをテストするために、リポジトリの frontend フォルダーに簡単なアプリが用意されています。

  1. 新しいターミナルまたはコマンド プロンプトを開き、仮想環境をアクティブ化します (Python仮想環境を作成してアクティブ化します)。

  2. リポジトリの frontend フォルダーに移動します。

  3. Pythonで HTTP サーバーを起動します。

    • bash
    • PowerShell
    • コマンド 
    python -m http.server

  4. ブラウザーで に移動し、次の写真の URL のいずれかをテキスト ボックスに入力するか、パブリックにアクセスできる画像の URL を使用します。

    • https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat1.png
    • https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/cat2.png
    • https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/dog1.png
    • https://raw.githubusercontent.com/Azure-Samples/functions-python-tensorflow-tutorial/master/resources/assets/samples/dog2.png

  5. [Submit](送信) を選択して関数エンドポイントを呼び出し、画像を分類します。

    完成したプロジェクトのスクリーンショット

    画像の URL を送信したときにブラウザーからエラーがレポートされる場合は、関数アプリを実行しているターミナルを確認します。 "No module found 'PIL' (モジュールが見つかりません 'PIL')" のようなエラーが表示される場合は、前に作成した仮想環境をアクティブにする前に、start フォルダーで関数アプリを起動した可能性があります。 引き続きエラーが発生する場合は、仮想環境をアクティブにして を再度実行し、エラーを探します。

注記

このモデルでは、画像の内容が常に猫または犬に分類されます。画像に両方含まれている場合やどちらも含まれていない場合は、既定で犬に分類されます。 たとえば、虎や豹の画像であれば通常猫に分類されますが、象、人参、または飛行機の画像は犬に分類されます。

リソースをクリーンアップする

このチュートリアル全体はコンピューター上でローカルに実行されるため、クリーンアップするAzureリソースやサービスはありません。

次のステップ

このチュートリアルでは、TensorFlow モデルを使用して画像を分類するために、Azure Functionsを使用して HTTP API エンドポイントを構築およびカスタマイズする方法について説明しました。 また、Web アプリから API を呼び出す方法についても学習しました。 このチュートリアルの手法を使用すると、Azure Functionsが提供するサーバーレス コンピューティング モデルで実行しながら、複雑さの API を構築できます。

Azure CLI ガイド

関連項目:

  • Last updated on