當微信小程式遇上TensorFlow：Server端實現
又是一年一度的十一黃金旅遊周，你是在景區看人從眾叕，還是在高速公路上觀看大媽打太極呢？旅遊黃金週我一般是儘量不出門，這個十一也不例外。十月一日跑了一個半馬迎接國慶，十月二號選擇去了一個偏門的景點：張之洞與武漢博物館。今天則宅在家，吃吃喝喝之餘，琢磨起識別狗狗的微信小程式。
自打想到開發一款識別狗狗的app，我的第一直覺是應該開發一款微信小程式。相對於手機原生app，微信小程式具有開發和部署簡單，特別是無需安裝，即用即走，特別適合這種功能單一，偶爾用一用的app。
實現方案，首先想到的是TensorFlow.js，手機端實現深度學習，無需伺服器端，但是TensorFlow.js並不支援微信小程式，無奈只得選擇小程式 + server
因為採用端加server的模式，圖片識別在server端完成，所以主要功能實現在server端。我們就先來談一談Server端的實現。
TensorFlow Serving
Server端的實現方案有好多種，C++/Java/Python都可以，我一度甚至考慮採用Node.js實現。上週瀏覽Google開發者大會資料時發現，TensorFlow已經提供了伺服器部署方案: TensorFlow Serving。
TensorFlow Serving是一種靈活的高效能服務系統，適用於機器學習模型，專為生產環境而設計。 TensorFlow Serving可以輕鬆部署新演算法和實驗，同時保持相同的伺服器架構和API。 TensorFlow Serving提供與TensorFlow模型的一攬子整合方案，也可以輕鬆擴充套件以服務於其他型別的模型。
TensorFlow Serving正在不斷完善中，直接參考示例並不能實現需要的功能，在多方查詢資料之後，終於把整個流程走通。
SavedModel
TensorFlow提供兩種模型格式：
- checkpoints，這是一種依賴於建立模型的程式碼的格式。
- SavedModel，這是一種獨立於建立模型的程式碼的格式。
SaveModel是一種與語言無關，可恢復的密封式序列化格式。TensorFlow提供了多種與SavedModel互動的機制，如tf.saved_model API、Estimator API和CLI。TensorFlow Serving需要使用SavedModel格式的模型檔案。
retrain並儲存為SavedModel
在《這個中秋，我開發了一個識別狗狗的app》一文中提到，我們不需要從頭訓練識別狗狗的深度學習模型，而是採用遷移學習，在現有模型的基礎上再訓練。考慮到模型是部署到伺服器端，所以我選擇了識別能力更強的Inception V3模型。
帶標籤的狗狗資料集採用stanford dog datasets，請自行下載並解壓，然後執行如下命令進行訓練：
python retrain.py --image_dir=./Images --saved_model_dir=models/inception_v3
訓練的模型保存於models/inception_v3/1，其中1是版本號，可以通過retrain.py指令碼的命令列引數進行指定。
安裝tensorflow model server
在Ubuntu下這個非常容易，只需要使用下面的命令即可：
sudo apt install tensorflow-model-server
為了開發方便，需要安裝TensorFlow Serving Python API:
pip install tensorflow-serving-api
啟動tensorflow model server
按照文件，啟動tensorflow model server非常簡單，這裡加上rest_api_port引數是啟動server，並提供RESTful API，這種API介面方便微信小程式與之進行通訊。
tensorflow_model_server --rest_api_port=8501 --model_base_path=$PWD/models/inception_v3
簡單說，Simple TensorFlow Serving是一個TensorFlow Serving的封裝，是機器學習模型的通用且易於使用的服務。
其野心也很大，號稱支援如下功能：
- 支援分散式TensorFlow模型
- 支援常規RESTful / HTTP API
- 支援GPU加速推理
- 支援curl和其他命令列工具
- 支援客戶端使用任何程式語言
- 支援自動生成客戶端程式碼，無需編碼
- 支援影象模型中使用原始圖片檔案進行推斷
- 支援詳細請求的統計指標
- 支援同時為多個模型提供服務
- 支援動態的線上和離線模型版本
- 支援為TensorFlow模型載入新的自定義操作
- 通過可配置的基本身份驗證支援安全身份驗證
- 支援TensorFlow / MXNet / PyTorch / Caffe2 / CNTK / ONNX / H2o / Scikit-learn / XGBoost / PMML 等多種模型
我最看中的就是它的自動生成客戶端程式碼功能，在沒有這個之前，我查找了很多資料，都沒有搞定客戶端與服務端之間的通訊。另外它還提供了一個web介面，可以檢視模型的結構以及signature（簽名），這個signature也是折騰了我好久都沒有搞定的。
Simple TensorFlow Serving的安裝非常簡單：
pip install simple_tensorflow_serving
接下來啟動server：
simple_tensorflow_serving --model_base_path="./models/inception_v3" &
客戶端
微信小程式的開發還沒有開始學，先用python寫一個客戶端先測試一下，我們可以使用自動生成客戶端程式碼功能：
curl http://localhost:8500/v1/models/default/gen_client?language=python > test_client.py
自動生成的程式碼如下：
#!/usr/bin/env python
import requests
def main():
endpoint = "http://ilego.club:8500"
json_data = {"model_name": "default", "data": {"image": [[[[1.0, 1.0, 1.0], [1.0, 1.0, 1.0], [1.0, 1.0, 1.0], [1.0, 1.0, 1.0], [1.0, 1.0, 1.0]]]]}}
result = requests.post(endpoint, json=json_data)
print(result.text)
if __name__ == "__main__":
main()
可以嘗試測試一張狗狗圖片：
python test_client.py --image=./Images/n02116738-African_hunting_dog/n02116738_1105.jpg
結果如下：
n02116738 african hunting dog 0.780203342438
n02115913 dhole 0.0102733308449
n02092002 scottish deerhound 0.00600153999403
前面是類別標籤，後面是屬於某個類別的概率，上面結果中Top 1概率0.78。
總結
這個伺服器端遠還沒有達到完善，還存在一下問題：
- 客戶端與伺服器端的圖片採用JSON格式傳遞，影象資料由二進位制轉為JSON字串，空間效率低，後面考慮對影象資料進行base64編碼。
- 預測的效率比較第，從發出請求到收到迴應，有幾十秒的時間，還沒有查詢瓶頸在何處。
- 併發支援，因為現在只是一個簡單的測試，如果考慮到產品階段，多個手機的微信小程式同時進行識別，這還是會有很多工作需要做的。
好了，關於服務端的開發部署就先到這裡，下一篇文章我將談談微信小程式的開發和與server端的通訊，敬請關注！
