教程：使用 PyTorch 将预先训练的图像分类模型部署到 Azure Functions

在本文中，你将了解如何使用 Python、PyTorch 和 Azure Functions 加载预先训练的模型，以根据图像内容对图像进行分类。 由于你是在本地完成所有操作，而不会在云中创建任何 Azure 资源，因此，完成本教程不会产生任何费用。

先决条件

• 具有活动订阅的 Azure 帐户。 创建帐户。
• Python 3.7.4 或更高版本。 （Python 3.8.x 和 Python 3.6.x 也通过 Azure Functions 进行了验证。）
• Azure Functions Core Tools
• 代码编辑器，如 Visual Studio Code

先决条件检查

1. 在终端或命令窗口中，运行 func --version 检查 Azure Functions Core Tools 的版本是否为 2.7.1846 或以上。
2. 运行 python --version (Linux/MacOS) 或 py --version (Windows)，检查报告的 Python 版本是否为 3.7.x。

克隆教程存储库

1. 在终端或命令窗口中，使用 Git 克隆以下存储库：

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

2. 导航到该文件夹并检查其内容。

   cd functions-python-pytorch-tutorial
   

   • start 是本教程的工作文件夹。
   • end 是供你参考的最终结果和完整实现。
   • resources 包含机器学习模型和帮助器库。
   • frontend 是调用函数应用的网站。

创建并激活 Python 虚拟环境

导航到 start 文件夹，运行以下命令以创建并激活名为 .venv 的虚拟环境。

cd start
python -m venv .venv
source .venv/bin/activate

sudo apt-get install python3-venv

cd start
py -m venv .venv
.venv\scripts\activate

cd start
py -m venv .venv
.venv\scripts\activate

所有后续命令将在这个已激活的虚拟环境中运行。 （若要退出虚拟环境，请运行 deactivate。）

创建本地函数项目

在 Azure Functions 中，有一个函数项目是一个或多个单独函数（每个函数响应特定的触发器）的容器。 项目中的所有函数共享相同的本地和宿主配置。 在本部分中，你将创建一个函数项目，其中包含单个名为 classify 的、提供 HTTP 终结点的样板函数。 在稍后的部分，你将添加更具体的代码。

1. 在 start 文件夹中，使用 Azure Functions Core Tools 初始化 Python 函数应用：

   func init --worker-runtime python
   

   初始化后，start 文件夹包含项目的各个文件，其中包括名为 local.settings.json 和 host.json 的配置文件。 由于 local.settings.json 可以包含从 Azure 下载的机密，因此，默认情况下，该文件会从 .gitignore 文件的源代码管理中排除。

   提示

   由于函数项目绑定到特定的运行时，因此必须使用相同的语言编写项目中的所有函数。

2. 使用以下命令将一个函数添加到项目，其中，--name 参数是该函数的唯一名称，--template 参数指定该函数的触发器。 func new 创建一个与函数名称匹配的、包含项目所选语言适用的代码文件的子文件夹，以及一个名为 function.json 的配置文件。

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

   此命令创建与函数名称匹配的文件夹 classify。 该文件夹中有两个文件：__init__.py，其中包含函数代码；function.json，描述函数的触发器及其输入和输出绑定。 若要详细了解这些文件的内容，请参阅 Python 开发人员指南中的编程模型。

在本地运行函数

1. 通过启动 start 文件夹中的本地 Azure Functions 运行时主机来启动函数：

   func start
   

2. 看到输出中显示了 classify 终结点后，请导航到 URL http://localhost:7071/api/classify?name=Azure。 输出中应显示消息“Hello Azure!”。

3. 按 Ctrl-C 停止主机。

导入 PyTorch 模型并添加帮助器代码

若要修改 classify 函数以根据图像内容对图像进行分类，请使用一个预先训练的 ResNet 模型。 该预先训练的模型来自 PyTorch，它将图像归类为 1000 个 ImageNet 类中的一个。 然后，将一些帮助器代码和依赖项添加到项目。

1. 在 start 文件夹中，运行以下命令来将预测代码和标签复制到 classify 文件夹中。

   • bash
   • PowerShell
   • Cmd

   cp ../resources/predict.py classify
   cp ../resources/labels.txt classify
   

2. 验证 classify 文件夹是否包含名为 predict.py 和 labels.txt 的文件。 如果不包含，请检查是否在 start 文件夹中运行了该命令。

3. 在文本编辑器中打开 start/requirements.txt，添加帮助器代码所需的依赖项，这些依赖项应当如下所示：

   azure-functions
   requests
   -f https://download.pytorch.org/whl/torch_stable.html
   torch==1.13.0+cpu
   torchvision==0.14.0+cpu
   

   提示

   torch 和 torchvision 的版本必须与 PyTorch 版本存储库的版本表中列出的值匹配。

4. 保存 requirements.txt，然后从 start 文件夹中运行以下命令来安装依赖项。

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

安装可能需要几分钟时间，在此过程中，你可以转到下一部分来修改函数。

更新函数以运行预测

1. 在文本编辑器中打开 classify/__init__.py，并在现有的 import 语句后面添加以下行，以导入标准 JSON 库和 predict 帮助器：

import logging
import azure.functions as func
import json

# Import helper script
from .predict import predict_image_from_url

1. 请将 main 函数的整个内容替换为以下代码：

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)

此函数接收名为 img 的查询字符串参数中的图像 URL。 然后，它从帮助器库调用 predict_image_from_url，以使用 PyTorch 模型下载图像并对其进行分类。 然后，该函数返回包含结果的 HTTP 响应。

1. 保存更改，然后在假设依赖项已完成安装的条件下，再次使用 func start 启动本地函数宿主。 请务必在已激活虚拟环境的情况下运行 start 文件夹中的宿主。 否则，主机将会启动，但在调用函数时会出现错误。

   func start
   

2. 在浏览器中打开以下 URL，以使用伯恩山犬图像的 URL 调用该函数，并确认返回的 JSON 是否将图像归类为伯恩山犬。

   http://localhost:7071/api/classify?img=https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/Bernese-Mountain-Dog-Temperament-long.jpg
   

3. 让宿主保持运行，因为在下一步骤中需要使用它。

运行本地 Web 应用前端来测试函数

存储库的 frontend 文件夹中提供了一个简单的应用，让你从另一 Web 应用测试函数终结点的调用。

1. 打开新的终端或命令提示符，并激活虚拟环境（根据前文的创建并激活 Python 虚拟环境中所述）。

2. 导航到存储库的 frontend 文件夹。

3. 使用 Python 启动一个 HTTP 服务器：

   • bash
   • PowerShell
   • Cmd

   python -m http.server
   

4. 在浏览器中导航到 localhost:8000，然后在文本框中输入以下照片 URL 之一，或使用任何可公开访问的图像的 URL。

   • https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/Bernese-Mountain-Dog-Temperament-long.jpg
   • https://github.com/Azure-Samples/functions-python-pytorch-tutorial/blob/master/resources/assets/bald-eagle.jpg?raw=true
   • https://raw.githubusercontent.com/Azure-Samples/functions-python-pytorch-tutorial/master/resources/assets/penguin.jpg

5. 选择“提交”以调用函数终结点来对图像进行分类。

   

   如果在提交图像 URL 时浏览器报告错误，请检查运行函数应用的终端。 如果出现类似于“找不到模块 'PIL'”的错误，原因可能是在 start 文件夹中启动了函数应用，但未事先激活先前创建的虚拟环境。 如果仍出现错误，请在已激活虚拟环境的情况下再次运行 pip install -r requirements.txt，并查看错误。

清理资源

由于整篇教程在计算机本地运行，因此没有任何 Azure 资源或服务需要清理。

后续步骤

在本教程中，你已了解如何使用 Azure Functions 生成和自定义 HTTP API 终结点，以使用 PyTorch 模型对图像进行分类。 此外，你还了解了如何从 Web 应用调用 API。 可以使用本教程中所述的方法生成具有不同复杂性的 API，所有这些 API 都可在 Azure Functions 提供的无服务器计算模型上运行。

另请参阅：

• 使用 Visual Studio Code 将函数部署到 Azure。
• Azure Functions Python 开发人员指南