目录
本文概述
华为云云耀云服务器L实例是一款轻量化的服务器，具有新手友好，即开即用，部署轻松等特点。今天作者就用华为新出的云耀云服务器L实例来整个活——使用云耀云服务器L实例来训练手写数字识别神经网络，并将该模型部署在云耀云服务器L实例上实现远程调用数字识别服务。测试集准确率99.3%，并提供神经网络代码、服务端代码、客户端代码
效果展示
作者介绍
作者本人是一名人工智能炼丹师，目前在实验室主要研究的方向为生成式模型，对其它方向也略有了解，希望能够在CSDN这个平台上与同样爱好人工智能的小伙伴交流分享，一起进步。谢谢大家鸭~~~
如果你觉得这篇文章对您有帮助，麻烦点赞、收藏或者评论一下，这是对作者工作的肯定和鼓励。
第一步、购买服务器并远程登录服务器
这里我们选择的镜像是ubuntu22.04的系统镜像
然后我们使用shell远程登录云耀云服务器
没有工具的可以看我的另一篇文章：Shell和Xftp免费版工具下载
第二步、配置环境并训练手写数字识别网络
首先我们需要使用下列命令安装Anaconda,用于后面配置运行环境
wget https://repo.anaconda.com/archive/Anaconda3-2023.07-1-Linux-x86_64.sh等待下载完成~
bash Anaconda3-2023.07-1-Linux-x86_64.sh然后我们使用上面的命令运行Anaconda安装程序 ，具体安装过程由于篇幅原因略过
这里提示失败不用管，关闭shell重新启动会话窗口就可以了
然后我们使用下列命令创建一个conda环境来安装后续所用到的库
conda create -n dl python=3.8
安装完后，使用下列命令，进入我们刚才创建的conda环境
conda activate dl
然后我们使用下列命令安装一个CPU版本的pytorch
conda install pytorch==1.10.0 torchvision==0.11.0 torchaudio==0.10.0 cpuonly -c pytorch
安装完成了，接下来我们将手写数字识别的神经网络代码上传到云耀云服务器L实例
import torchimport numpy as npfrom torch.utils.data import DataLoaderfrom torchvision import transformsfrom torchvision import datasetsimport osimport randomimport timetransform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ])def seed_torch(seed): random.seed(seed) os.environ['PYTHONHASHSEED'] = str(seed) # 为了禁止hash随机化，使得实验可复现 np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed(seed) torch.backends.cudnn.benchmark = False torch.backends.cudnn.deterministic = Trueclass Network(torch.nn.Module): def __init__(self): super(Network, self).__init__() self.conv = torch.nn.Sequential( torch.nn.Conv2d(1, 16, kernel_size=5), torch.nn.ReLU(), torch.nn.MaxPool2d(kernel_size=2), torch.nn.Conv2d(16, 32, kernel_size=5), torch.nn.ReLU(), torch.nn.MaxPool2d(kernel_size=2), ) self.fc = torch.nn.Sequential( torch.nn.Linear(512, 128), torch.nn.Dropout(0.1), torch.nn.Linear(128, 10), ) def forward(self, x): x = self.conv(x) x = x.view(-1, 512) x = self.fc(x) return xdef train(epoch,batch_size,learning_rate): train_dataset = datasets.MNIST(root='/root/MNIST/data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='/root/MNIST/data', train=False, download=True, transform=transform) train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False) model = Network() criterion = torch.nn.CrossEntropyLoss() # 交叉熵损失 optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) # lr学习率，momentum冲量 scheduler=torch.optim.lr_scheduler.StepLR(optimizer, 1, gamma=0.7) running_loss = 0.0 # 这整个epoch的loss清零 train_total = 0 train_correct = 0 for ep in range(epoch): time_start=time.time() model.train() for batch_idx, data in enumerate(train_loader, 0): inputs, target = data optimizer.zero_grad() # forward + backward + update outputs = model(inputs) loss = criterion(outputs, target) loss.backward() optimizer.step() # 把运行中的loss累加起来，为了下面300次一除 # 把运行中的准确率acc算出来 _, predicted = torch.max(outputs.data, dim=1) train_total += inputs.shape[0] train_correct += (predicted == target).sum().item() time_end = time.time() train_acc=100 * train_correct / train_total print('[%d/ %d]: train acc: %.2f %% time:%.2f s'% (ep + 1, epoch,train_acc,(time_end-time_start))) train_total = 0 train_correct = 0 scheduler.step() correct = 0 total = 0 model.eval() with torch.no_grad(): # 测试集不用算梯度 for data in test_loader: images, labels = data outputs = model(images) _, predicted = torch.max(outputs.data, dim=1) total += labels.size(0) correct += (predicted == labels).sum().item() test_acc = 100*correct / total print('(%d / %d): test acc: %.1f %% ' % (ep+1, epoch, test_acc)) # 求测试的准确率，正确数/总数 state_dict = {"net": model.state_dict(), "optimizer": optimizer.state_dict(), "epoch": epoch, "lr": optimizer.param_groups[0]['lr']} if not os.path.isdir('/root//MNIST/model/'): os.makedirs('/root//MNIST/model/') torch.save(state_dict, '/root//MNIST/model/' + f"model_{ep}_{train_acc}%_{test_acc}%.pth")if __name__ == '__main__': batch_size = 64 learning_rate = 0.001 epoch = 10 seed_torch(77)#固定随机种子，保证结果可复现 train(epoch,batch_size,learning_rate)#开始训练复制代码，然后保存为MNIST_train.py
接下来使用xftp软件远程连接云耀云服务器L实例并在root目录下新建一个MNIST文件夹
然后我们将刚才的MNIST_train.py文件上传到MNIST文件夹下
然后我们使用下列命令，开始训练手写数字识别神经网络
python /root/MNIST/MNIST_train.py
如图我们已经完成的手写数字识别神经网络的训练了，从图中我们可以看到每轮训练耗时19.4S左右，这可以看出我们云耀云服务器L实例的CPU还是非常强劲的啊！！！同时我们在MNIST的测试集中正确率也达到了99.3%。
第三步、部署手写数字识别网络到云耀云服务器L实例
首先将下列服务端的代码复制并保存为MNIST_server.py然后上传到云耀云服务器L实例/root/MNIST目录下
import ioimport torchfrom torchvision import transformsfrom PIL import Imagefrom flask import Flask, jsonify, requestfrom flask_cors import CORSfrom MNIST_train import Networkapp = Flask(__name__)CORS(app, resources=r'/*')model = Network()checkpoint = torch.load("/root/MNIST/model/model_10_99.77666666666667%_99.3%.pth", map_location='cpu')model.load_state_dict(checkpoint['net'])model.eval()def transform(image_bytes): Transforms = transforms.Compose([transforms.Resize(28), transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) image = Image.open(io.BytesIO(image_bytes)) return Transforms(image)def get_prediction(image_bytes): image = transform(image_bytes=image_bytes) image=image.reshape(1,1,28,28) outputs = model(image) _, predicted = outputs.max(1) predicted_idx = str(predicted.item()) return predicted_idx@app.route('/predict')def predict(): if request.method == 'GET': file = request.files['file'] img_bytes = file.read() predict_id= get_prediction(image_bytes=img_bytes) return jsonify({'predict_id': predict_id})if __name__ == '__main__': app.run(host='0.0.0.0',port=3777)上传后如下图所示
接下来为了能让客户端跟服务端通信，我们需要开放云耀云服务器L实例的3777端口(这个端口跟服务端上的相同即可)
这样就是成功开放3777端口了
然后，使用下列命令在云耀云服务器L实例中安装flask、flask_cors和screen库
pip install flask -i https://pypi.tuna.tsinghua.edu.cn/simplepip install flask_cors -i https://pypi.tuna.tsinghua.edu.cn/simplepip install screen -i https://pypi.tuna.tsinghua.edu.cn/simple然后使用下列命令创建一个screen窗口,这可以让你结束远程访问云耀云服务器L实例后，让你的云耀云服务器L实例进程仍然可以运行，不会中断。
screen -S mnist
如上图所示，我们已经进入一个叫做mnist的screen窗口了。然后我们需要重新进入我们之前的conda环境，并使用下列命令运行手写数字识别的服务端程序
python /root/MNIST/MNIST_server.py如下图，我们的服务端就成功运行起来了
第四步、启动本地客户端并进行手写数字识别
手写数字识别客户端的代码如下
import tkinter as tkfrom tkinter import filedialog, ttkimport requestsfrom PIL import Image, ImageTkfrom ttkthemes import ThemedStyle# 创建上传图像的函数def upload_image(): file_path = filedialog.askopenfilename(filetypes=[("Image files", "*.jpg")]) print(file_path) if file_path: # 打开图像并显示在GUI中 image = Image.open(file_path) image = image.resize((200, 200), Image.ANTIALIAS) photo = ImageTk.PhotoImage(image=image) image_label.config(image=photo) image_label.image = photo with open(file_path, 'rb') as image_file: files = {'file': (image_file.name, image_file, 'image/jpeg')} response = requests.get(f'{server_url}/predict', files=files) if response.status_code == 200: result = response.json() predict_id = result.get('predict_id') result_label.config(text=f'该图像的数字为: {predict_id}') else: result_label.config(text='请求失败，请检查网络是否正常。')# 定义服务器地址和端口server_url = 'http://120.46.178.145:3777' # 请根据您的实际服务器地址和端口进行修改# 创建GUI窗口root = tk.Tk()root.title("MNIST 图像分类器")root.geometry("300x350")style = ThemedStyle(root)style.set_theme("plastik")title_label = ttk.Label(root, text="手写数字识别", font=("Helvetica", 16))title_label.pack(pady=10)image_label = ttk.Label(root)image_label.pack()# 上传按钮upload_button = ttk.Button(root, text="上传图像", command=upload_image)upload_button.pack(pady=10)# 预测结果的标签result_label = ttk.Label(root, text="", font=("Helvetica", 12))result_label.pack()root.mainloop()我们运行后，会出现如下界面
选择图片并上传后，会出现预测的结果
此时我们的云耀云服务器L实例也会提示状态码200
至此，我们的整个项目就完成啦~~~~~~~~~~~~
为了方便大家测试，我将MNIST的图片版数据集也上传到网盘分享出来啦~
链接：百度网盘 请输入提取码
提取码：gskb
--来自百度网盘超级会员V4的分享
总结
初次体验华为云云耀云服务器L实例，整体使用下来非常的棒，性能强，操作方便，非常适合新手入门。强烈推荐各位一定要去尝试一下。PS：后续会出更多与云耀云服务器相关的教学文章~。
如果您觉得这篇文章对您有帮忙，请点赞、收藏。您的点赞是对作者工作的肯定和鼓励，这对作者来说真的非常重要。如果您对文章内容有任何疑惑和建议，欢迎在评论区里面进行评论，我将第一时间进行回复。
来源地址：https://blog.csdn.net/qq_35768355/article/details/133153252
