“零基礎”實現人臉表情識別
一、前言
最近幾年，人工智能(AI)技術不斷發展，從新聞智能推薦到聽歌識曲，再到被廣泛應用的人臉識別技術，處處可見人工智能的身影。不得不說，人工智能已經逐漸滲透大眾日常生活，成為不可或缺的一部分。那么，如何從“零”開始去實現一個AI功能?讓UCloud來幫您。
UCloud推出了AI as a Service平臺，該平臺基于UCloud豐富的計算資源與分布式系統實踐經驗，致力于提供廉價、高可靠、高彈性、高易用性的AI在線服務，將客戶從繁雜的平臺系統開發和運維工作中解放出來。 以在線人臉表情識別為例，說明如何借助UAI-Service以及開源算法，輕松實現在線服務，“零基礎”入門使用AI。另外還對AI在線服務的性能進行了評估，將其與GPU性能進行比對，使用戶更直觀的了解AI在線服務性能優勢。
二、實現步驟
整個實現過程主要由兩部分組成，首先利用tensorflow1.1.0訓練所需的模型文件，其次按照UAI-SERVICE的使用說明部署在線服務。具體步驟如下：
1. 模型訓練
(1) 安裝TensorFlow 1.1.0
安裝環境為ubuntu14.04.5, python版本為2.7.6，直接借助pip安裝tensorflow，指令如下：
- bash
- pip install tensorflow=1.1.0
(2) 選擇合適的數據庫
UCloud選擇使用目前較大的人臉表情識別公開數據庫fer2013，共包含35887張人臉圖片，其中訓練集28709張、驗證集3589張、測試集3589張。數據庫中各個樣本在年齡、面部方向等有比較大的差異性，具有一定的實際意義，也使表情識別更具挑戰性。
同時，數據庫中的圖片均為灰度圖片，大小為48*48像素，樣本被分為生氣、厭惡、恐懼、開心、中性、傷心、驚訝七類，各種類型分布基本均勻。(該數據庫實際為kaggle一個比賽項目提供的數據，官方給出的文件格式為csv，手動將其轉換成了圖片格式。)
(3) 數據預處理
實際選用了tensorflow提供的TF-Slim實驗庫。具體參見TF_Slim官方文檔說明。
TF-Slim是一個用于tensorflow定義、訓練和評估復雜模型的新型輕量級API，它提供了集中廣泛使用的卷積神經網絡圖像分類模型代碼以及預訓練模型，同時還包含了運行腳本，借助它可以快速入門，既可以從頭開始訓練模型，也可以對已經訓練好的網絡權重進行微調。
TF-Slim提供了將數據集轉換成tfrecord格式的代碼，對代碼進行調整后可以將所用的數據集fer2013轉成tfrecord格式。
數據形式如下所示，其中labels.txt中包含了類別的映射：
(4) 訓練
本次訓練選用了較大的模型inception_v3，對官方給出的預訓練模型進行微調。由于訓練模型的目的僅在于嘗試一下在線服務，因而該訓練過程并未過多涉及調參。
調用指令示例如下：
- bash
- TRAIN_DIR=./train_log
- DATASET_DIR=./fer2013
- PRETRAINED_CHECKPOINT_DIR=./pretrain_model
- python train_image_classifier.py \
- --train_dir=${TRAIN_DIR} \
- --dataset_name=fer2013 \
- --dataset_split_name=train \
- --dataset_dir=${DATASET_DIR} \
- --model_name=inception_v3 \
- --checkpoint_path=${PRETRAINED_CHECKPOINT_DIR}/inception_v3.ckpt \
- --checkpoint_exclude_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \
- --trainable_scopes=InceptionV3/Logits,InceptionV3/AuxLogits \
- --max_number_of_steps=1000 \
- --batch_size=32 \
- --learning_rate=0.01 \
- --learning_rate_decay_type=fixed \
- --save_interval_secs=60 \
- --save_summaries_secs=60 \
- --log_every_n_steps=100 \
- --optimizer=rmsprop \
- --weight_decay=0.00004
進行模型微調時，系統自動保留***的五個生成模型，如果發生中斷，過后會在***模型基礎上繼續微調。
訓練模型文件如下：
2. 部署在線服務
模型訓練完成之后，就準備上手部署!
按照官方文檔的提示(AI在線服務 UAI-Service)，在線部署的主要步驟如下(因個人喜好，本次選擇用命令行部署，官方也給出了使用Console部署的操作說明)。
(1) 安裝UCloud UFile SDK以及UAI SDK
- 前者是UCloud對象存儲的SDK(http://sdk.ufile.ucloud.com.cn/python_sdk.tar.gz)，主要用于將部署服務需要的模型和代碼文件上傳到UCloud的對象存儲空間中，這就涉及到首先創建一個屬于自己的私有空間，具體步驟在此不贅述。
- 后者是UAI在線服務的SDK(https://gitlab.ucloudadmin.com/uai-service/uai-sdk/tree/master)，提供了部署在線服務的命令行工具。
(2) 依據SDK工具包內的代碼框架編寫inference代碼
代碼如下：
- python
- # fer_inference.py
- import numpy as np
- import tensorflow as tf
- from PIL import Image
- from inception_v3 import *
- from uai.arch.tf_model import TFAiUCloudModel
- class FerModel(TFAiUCloudModel):
- def __init__(self, conf):
- super(FerModel, self).__init__(conf)
- def load_model(self):
- sess = tf.Session()
- input_tensor = tf.placeholder(tf.float32, [None, 299, 299, 3])
- arg_scope = inception_v3_arg_scope()
- with slim.arg_scope(arg_scope):
- logits, end_points = inception_v3(input_tensor,
- is_training=False,
- num_classes=7)
- saver = tf.train.Saver()
- params_file = tf.train.latest_checkpoint(self.model_dir)
- saver.restore(sess, params_file)
- self.output['sess'] = sess
- self.output['input_tensor'] = input_tensor
- self.output['logits'] = logits
- self.output['end_points'] = end_points
- def execute(self, data, batch_size):
- sess = self.output['sess']
- input_tensor = self.output['input_tensor']
- logits = self.output['logits']
- end_points = self.output['end_points']
- ims = []
- for i in range(batch_size):
- im = Image.open(data[i]).resize((299, 299))
- im = np.array(im) / 255.0
- imim = im.reshape(299, 299, 3)
- ims.append(im)
- ims = np.array(ims)
- predict_values, logit_values = sess.run(
- [end_points['Predictions'], logits], feed_dict={input_tensor: ims})
- ret = []
- for val in predict_values:
- ret_val = np.array_str(np.argmax(val)) + '\n'
- ret.append(ret_val)
- return ret
(3) 打包上傳需要的模型及代碼文件
文件目錄結構：
- 打包目錄
- 模型文件目錄(checkpoint_dir目錄下)
打包上傳文件：
- bash
- python tf_deploy.py pack --public_key=MY_PUBLIC_KEY --private_key=MY_PRIVATE_KEY --bucket=MY_BUCKET --pack_file_path=/Users/littleape1022/Desktop/fer_uaiservice --main_file=fer_inference --main_class=FerModel --model_dir=checkpoint_dir --code_files=fer_inference.py,inception_v3.py,inception_utils.py --upload_name=fer_uaiservice.tar --ai_arch_v=tensorflow-1.1.0
(4) 創建署服務
創建服務：
- bash
- python tf_deploy.py create --public_key=MY_PUBLIC_KEY --private_key=MY_PRIVATE_KEY --service_name=fer_uaiservice --cpu=8 --memory=8
創建服務后返回如下:
(5) 部署服務
部署服務：
- bash
- python tf_deploy.py deploy --service_id=uaiservice-av4p1c --public_key=MY_PUBLIC_KEY --private_key=MY_PRIVATE_KEY --ai_arch_v=tensorflow-1.1.0 --ufile_url="MY_UFILE_URL" --pip=pillow
部署成功后返回如下：
可以看到已經返回服務的URL了，但注意到狀態是“ToStart”，啟動之后就可以借助URL來訪問服務。
(6) 啟動服務
啟動服務：
- bash
- python tf_deploy.py start --public_key=MY_PUBLIC_KEY --private_key=MY_PRIVATE_KEY --service_name=fer_uaiservice --service_version=SERVICE_VERSION --paas_id=Srv_PAAS_ID
啟動成功后返回如下：
三、測試
上述步驟完成之后，表明人臉表情識別在線服務已經部署成功，可以實現在線人臉表情識別!
1. URL測試
通過云主機即可訪問該URL，具體情況如下：
上述結果表明，通過UAI部署在線服務后給出的URL是通的，可以借助它對輸入圖片進行情感分類。
圖中將輸入圖片“happy.jpg”分成了類別“4”，對應“neutral”類，說明模型的識別率有待提升。
2. 在線服務性能測試
借助ab測試評估了服務的性能，并與本地測試以及GPU(K80)做了比對。(關于本地測試的方法官網有介紹，有興趣的可以戳 TensorFlow 本地代碼測試方法 )
測試結果如下，觀察可以發現：
- 在并發數增加到8時，AI在線服務的性能基本和GPU性能接近，即UAI-Service 8個節點的性能相當于一塊K80單核的性能。
- 在有并發的前提下，AI在線服務的性能普遍高于8核8G云主機的性能。
人工智能(AI)將是UCloud“CBA”戰略的重要一環。使用UCloud推出的AI as a Service平臺，可以助力人工智能公司快速將人工智能算法產品化，同時也在資源管理、資源調度方面提供了全方位保障。
【本文是51CTO專欄機構作者“大U的技術課堂”的原創文章，轉載請通過微信公眾號(ucloud2012)聯系作者】
