用 django 搭建手写数字识别Web API 并用HttpWebRequest调用

titdboy1221

已于 2024-07-12 16:28:12 修改

阅读量283

点赞数 5

文章标签： django python 后端机器学习

于 2024-07-12 16:09:25 首次发布

本文链接：https://blog.csdn.net/titdboy1221/article/details/140379793

版权

基本思路：将一个一个的机器学习模型发布成Web API的功能，方便各个平台调用。

因为第一次这么做，所以遇到很多困难，所以在这里记录下来，已被后面查阅，同时也是给其他有心人一个参考

实现步骤

1 安装 anaconda 。官网地址：Anaconda 官网下载地址

安装anaconda 分为 windows 平台安装和 linux平台安装。windows平台安装简单，注意设置环境变量就好了。linux平台安装的话（我得是ubuntu 24）需要使用命令安装

2 创建虚拟环境并激活该虚拟环境

因为Tensorflow版本不同，和他配合的各个软件包也是需要不同的版本，所以需要一个虚拟Python环境

使用 Anaconda Prompt 安装，命令：conda create -name tensor python=3.9

激活tensor 环境。命令：conda activate tensor

4 修改anaconda 默认软件包下载地址

命令：

【 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/】

【conda config --set show_channel_urls yes】

4.1 安装Tensorflow

命令：pip install tensorflow

5 安装Django

pip install Django

6 在指定的位置创建网站（最小能启动的web应用程序）

用命令行切换到你的项目地址，然后输入命令：

django-admin startproject HelloWorld

于是，程序自动在你的项目位置创建了一个简单的网站，

最后，你可以在命令提示符下输入命令启动网站：

python manage.py runserver 0.0.0.0:8000

Django 教程请参考网址【Django 创建第一个项目 | 菜鸟教程】

7 编写能够手写数字识别的 method方便WebAPI调用

关键配置：在settings.py文件中注销 django.middleware.csrf.CsrfViewMiddleware，否则Web API 针对POST 请求会报给你 403错误

代码如下：

Web API 代码如下

#下面代码是在 views.py中增加的

from django.http import HttpResponse
from .keras_model import keras_model
from django.views.decorators import csrf
from django.shortcuts import render
from pathlib import Path
import os
from rest_framework import generics
import numpy as np

def predic_img(request):
    print('enter predic_img')
    ctx ={}
    if request.POST:
        print('post')
        #username=request.POST.get('username','')
        #password=request.POST.get('password','')
        # 针对base64 进行解码，解码后还原图片，并进行预测
        hex_string = request.POST.get('image')
        byte_array = bytearray.fromhex(hex_string)
        bytes_object = bytes(byte_array)  # 将bytearray转换为bytes
        BASE_DIR = Path(__file__).resolve().parent.parent
        path = os.path.join(BASE_DIR, 'images')
        print(f'path = {path}')
        with open(f'{path}\img.png', 'wb') as file:
            file.write(bytes_object)
        # 将 bytes 转换成 numpy的 ndarray
        print(f'type of bytes is {type(bytes_object)}')
        nd_array = np.frombuffer(bytes_object, dtype=np.uint8)
        nd_array = pad(nd_array,(1,28,28))
        # 预测
        obj = keras_model()
        ret = obj.predictByImg(nd_array)
        ret = '{"result":"%s"}' % (ret)
        ctx['rlt'] = ret
    else:
        print('no post')
    return render(request, "post.html", ctx)

# 如果数组和要变形的数组不匹配，需要补齐数组
def pad(source, shape):
   out = np.zeros(shape)
   print(f'type of source is {type(source)}')
   if source.size > out.size :
       pass
   elif source.size < out.size :
       arr_append = np.zeros(  out.size - source.size  )
       #source = source.extend( arr_append )
       source = np.append( source,arr_append  )
       result = source.reshape(shape)
       print(f'shape of result is {result.shape}')
   return out

预测模型代码

mport tensorflow as tf
from keras.models import load_model
import matplotlib.pyplot as plt
import numpy as np
import os
from . import settings

class keras_model:
    def __init__(self):
        print('这是张强的 keras 测试类')
    def run(self):
        print('开始运行kera 手写数字识别 模型')
        mnist = tf.keras.datasets.mnist
        (x_train, y_train),(x_test, y_test) = mnist.load_data()
        x_train, x_test = x_train / 255.0, x_test / 255.0 #数据类型恐怕是 float64
        #定义训练模型
        model = tf.keras.models.Sequential([
        tf.keras.layers.Flatten(input_shape=(28, 28)),
        tf.keras.layers.Dense(128, activation='relu'),
        tf.keras.layers.Dropout(0.2),
        tf.keras.layers.Dense(10, activation='softmax')
        ])
        #定义模型的优化器、损失函数 和 准确率
        model.compile(optimizer='adam',
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy'])
        
        #训练
        model.fit(x_train, y_train, epochs=5)
        #保存模型
        model.save('hand_digii_recognition.keras')
        print('已经保存模型')
        #评估
        model.evaluate(x_test, y_test)
        print('结束运行kera 手写数字识别 模型')
    #预测手写数字
    #参数：测试集 索引
    def predict(self,index):
        index = int(index)
        mnist = tf.keras.datasets.mnist
        (x_train, y_train),(x_test, y_test) = mnist.load_data()
        model = load_model('./models/hand_digii_recognition.keras')
        #print( x_test.shape)
        pic = x_test[index-1:index,::]
        #for p in pic:
        #    plt.imshow(p , cmap=plt.get_cmap('gray'))
        #    plt.show()
        #print( pic.shape)
        result = model.predict( pic)
        
        #print(f'result = {result}')
        #print(f'the max of ndarray is {np.max(result)}')
        #找出结果中最大 值 的索引，即预测的数字
        #print(np.argmax(result))
        return np.argmax(result)
    #预测图片数字 
    #参数：图片张量
    def predictByImg(self,pic):
        mnist = tf.keras.datasets.mnist
        (x_train, y_train),(x_test, y_test) = mnist.load_data()
        model = load_model(f'{settings.BASE_DIR}/models/hand_digii_recognition.keras')
        current_path = os.path.abspath(__file__)
        print("当前脚本的路径:", current_path)
        #model = load_model('d:/hand_digii_recognition.keras')
        result = model.predict( pic)
        return np.argmax(result)
    def save(self):
        mnist = tf.keras.datasets.mnist
        (x_train, y_train),(x_test, y_test) = mnist.load_data()
        pic = x_train[0:1,::]
        plt.imshow(pic , cmap=plt.get_cmap('gray'))
        plt.show()

8 客户端代码（我是Winform的）

注意：我是从npz包中取出了一张图片，用于这个项目的

        // 核心代码
        private void DoPost(String pic_path)
        {
            String url = String.Format("http://127.0.0.1:8000/predic_img/");
            String res = "";
            //String postData = String.Format(@"username={0}&password={1}",username ,password);
            HttpWebRequest req = (HttpWebRequest)WebRequest.Create(new Uri(url));
            req.AllowAutoRedirect = true;
            //req.CookieContainer = Token;
            req.Method = "POST";
            req.Timeout = 10000;
            req.ContentType = "application/x-www-form-urlencoded;charset=utf-8";
            //req.ContentType = "application/x-www-form-urlencoded";
            try
            {
                //byte[] data = Encoding.UTF8.GetBytes(postData);
                byte[] data = GetBase64FromPic("image",pic_path);
                req.ContentLength = data.Length;
                Stream stream = req.GetRequestStream();
                stream.Write(data, 0, data.Length);
                stream.Close();
                HttpWebResponse response = (HttpWebResponse)req.GetResponse();

                #region 设置cookie
                //string setCookie = response.Headers.Get("Set-Cookie");
                //Set Cookie
                //Get Response Stream
                #endregion

                StreamReader sr = new StreamReader(response.GetResponseStream(), Encoding.UTF8);
                res = sr.ReadToEnd();
                sr.Close();
                response.Close();
            }
            catch (Exception ex)
            {
                MessageBox.Show(ex.Message);
            }
        }


        /// <summary>
        /// 字节数组转16进制字符串：空格分隔
        /// </summary>
        /// <param name="byteDatas"></param>
        /// <returns></returns>
        public static string ToHexStrFromBytes(byte[] byteDatas)
        {
            StringBuilder builder = new StringBuilder();
            for (int i = 0; i < byteDatas.Length; i++)
            {
                builder.Append(string.Format("{0:X2} ", byteDatas[i]));
            }
            return builder.ToString().Trim();
        }

9 这样就完成了客户单发送手写图片，服务端接收图片，然后进行预测并给出结果