使用ML.NET和Azure Function進行機器學習 - 第2部分

本文是《使用ML.NET和Azure Function進行機器學習 - 第1部分》的續篇。

像機器同樣識別鳶尾花

回顧第1部分，您將使用Visual Studio建立一個新的Azure Function項目。

注意：確保安裝了Azure Workload以查看此模板。

 

從Visual Studio的第1部分打開演示解決方案，並使用名爲serverless_ai的Azure Functions項目模板建立新項目。

 

出現提示時，選擇Http觸發器選項並將其鏈接到項目的Azure存儲賬戶（此帖子的mlnetdemostorage1）。

而後完成如下步驟：

• 使用NuGet將Microsoft.ML包添加到項目中。
• 複製IrisData.cs和IrisPrediction.cs文件從示範項目到serverless_ai項目。你再次須要它們。

將Http觸發器類Function1的名稱更改爲預測並複製如下代碼：

 using Newtonsoft.Json;
 using Microsoft.ML;

 namespace serverless_ai
 {
     public static class Predict
     {
         [FunctionName("Predict")]
         public static IActionResult Run([HttpTrigger(AuthorizationLevel.Function, "get", "post", Route = null)]HttpRequest req,
         [Blob("models/model.zip", FileAccess.Read, Connection = "AzureWebJobsStorage")] Stream serializedModel,
         TraceWriter log)
         {
             if (typeof(Microsoft.ML.Runtime.Data.LoadTransform) == null ||
                 typeof(Microsoft.ML.Runtime.Learners.LinearClassificationTrainer) == null ||
                 typeof(Microsoft.ML.Runtime.Internal.CpuMath.SseUtils) == null ||
                 typeof(Microsoft.ML.Runtime.FastTree.FastTree) == null)
             {
                 log.Error("Error loading ML.NET");
                 return new StatusCodeResult(500);
             }

             //Read incoming request body
             string requestBody = new StreamReader(req.Body).ReadToEnd();

             log.Info(requestBody);

             //Bind request body to IrisData object
             IrisData data = JsonConvert.DeserializeObject<IrisData>(requestBody);

             //Load prediction model
             var model = PredictionModel.ReadAsync<IrisData, IrisPrediction>(serializedModel).Result;

             //Make prediction
             IrisPrediction prediction = model.Predict(data);

             //Return prediction
             return (IActionResult)new OkObjectResult(prediction.PredictedLabels);
         }
     }
 }

這些行使用您的模型來評估新的鳶尾花虹據以進行預測。您的應用已準備好進行測試。

在部署以前在本地測試

要測試本地計算機上的Azure Function應用程序，請檢查local.settings.json文件以確保AzureWebJobsStorage具備與之關聯的值。這是您的本地應用程序將在Azure存儲賬戶上找到您上載的模型的方式。若是有一個值（它應該會在您綁定的項目到您的賬戶建立時），你能夠F5的serverless_ai爲了項目來運行它。如今打開Postman （或相似的REST API工具）並使用如下正文發送POST調用到http://localhost:7071/api/Predict：

{
  "SepalLength": 3.3,
  "SepalWidth": 1.6,
  "PetalLength": 0.2,
  "PetalWidth": 5.1
}

若是一切順利，分類程序將返回「Iris-verginica」。

部署Skynet

...或者您從Visual Studio部署的任何AI，轉到工具欄中的構建設置。

 

選擇「發佈serverless_ai」以部署Azure Function應用程序。

 

要在Azure門戶中測試應用程序部署，請選擇mlnetdemo下的Azure Function應用程序（或者您將其命名），而後選擇其下的Predict功能。使用屏幕右側的「 測試」面板查看已部署的應用程序。

結尾

這會將您的鳶尾花分類程序放在Azure上供其餘人嘗試吧。恭喜！您如今將人工智能應用成功部署到雲端了。