如你所见，a k 3的值确保我们的模型和数据集的最佳精度.

使用Flask构建API

应用程序核心是一种从图像中预测数字的算法，现在已经准备好了. 接下来，我们需要用API层修饰算法，使其可用. 让我们用流行的 Flask web框架 to do this cleanly 和 concisely.

我们将从在虚拟环境中安装Flask和与图像处理相关的依赖开始:

pip install Flask Pillow scikit-image

安装完成后，我们开始创建应用程序的入口点文件:

触摸应用程序.py

的 content of 的 file will look like this:

进口操作系统

从烧瓶导入烧瓶
from views import P红色的ictDigitView, IndexView

应用程序 = Flask(__name__)

应用程序.add_url_rule (
    / api /预测,
    view_func = P红色的ictDigitView.as_view(“p红色的ict_digit”),
    方法=(“文章”)
)

应用程序.add_url_rule (
    '/',
    view_func = IndexView.as_view(“指数”),
    方法=(“得到”)
)

如果__name__ == 'main':
    端口= int(os.环境.(“端口”,5000))
    应用程序.(主机运行= ' 0.0.0.0,端口=端口)

You will get an error saying that P红色的ictDigitView 和 IndexView 没有定义. 下一步是创建一个文件来初始化这些视图:

从flask中导入render_template、request、Response
从瓶.View导入MethodView, View

从瓶.views import视图

from 回购 import Classifier回购
from services import P红色的ictDigit服务
from settings import CLASSIFIER_STORAGE

类IndexView(观点):
    def dispatch_request(自我):
        返回render_template(指数.html”)

class P红色的ictDigitView(MethodView):
    def post(自我):
        回购 = Classifier回购(CLASSIFIER_STORAGE)
        service = P红色的ictDigit服务(回购)
        Image_data_uri =请求.json('图像')
        预测=服务.处理(image_data_uri)
        return Response(str(p红色的iction).编码(),状态= 200)

我们将再次遇到关于未解析导入的错误. 的 的观点 package relies on three files we do not have yet:

• 设置
• 回购
• 服务

We’ll implement 的m one by one.

设置 模块是否具有配置和常量变量. 它将为我们存储序列化分类器的路径. 这引出了一个合乎逻辑的问题: 为什么 do I need to save 的 classifier?

因为这是一种提高应用性能的简单方法. 而不是每次收到请求时都训练分类器, we’ll store 的 classifier’s prepa红色的 version, enabling it to work out of 的 box:

进口操作系统

BASE_DIR = os.getcwd ()
CLASSIFIER_STORAGE = os.路径.join(BASE_DIR, 'storage/classifier.txt”)

设置机制——获取分类器——将在我们列表中的下一个包中初始化, 的 回购. 它是一个类，有两个方法来检索和更新使用Python内置的训练分类器 泡菜 模块:

进口泡菜

类Classifier回购:
    Def __init__(自我, storage):
        自我.存储器

    def(自我):
        打开(自我.存储，'wb')作为输出:
            试一试:
                Classifier_str = out.read ()
                如果classifier_str != '':
                    返回泡菜.负载(classifier_str)
                其他:
                    回来没有
            除了例外:
                回来没有

    def update(自我, classifier):
        打开(自我.存储，'wb')，如:
            泡菜.in_转储(标识符)

We are close to finalizing our API. 现在它只缺少 服务 模块. 它的目的是什么?

• Get 的 trained classifier from storage
• 将从UI传递的图像转换为分类器可以理解的格式
• 通过分类器对格式化后的图像进行预测
• 返回预测

让我们编写这个算法:

从sklearn.数据集导入load_数字

from classifier import ClassifierFactory
from image_processing import process_image

类P红色的ictDigit服务:
    Def __init__(自我, 回购):
        自我.回购=回购

    def h和le(自我, image_data_uri):
        分类器=自我.回购.get ()
        如果classifier为None:
            Digits = load_数字()
            classifier = ClassifierFactory.create_with_fit (
                数字.数据,
                数字.目标
            )
            自我.回购.更新(标识符)
        
        x = process_image(image_data_uri)
        如果x为None:
            返回0

        预测=分类器.预测(x) [0]
        回归预测

这里你可以看到 P红色的ictDigit服务 有两个依赖项: ClassifierFactory 和 process_image.

我们将首先创建一个类来创建和训练我们的模型:

从sklearn.模型_selection import train_test_split
从sklearn.邻居 import KNeighborsClassifier

类ClassifierFactory:
    @staticmethod
    def create_with_fit (数据、目标):
        模型 = KNeighborsClassifier(n_邻居=3)
        模型.fit(数据、目标)
        回归模型

API已经准备好进行操作了. Now we can proceed to 的 图像处理 step.

图像处理

图像处理是对图像进行某些操作以增强图像或从中提取有用信息的一种方法. 在我们的例子中, 我们需要将用户绘制的图像平滑地转换为机器学习模型格式.

< / div >

Let’s import some helpers to achieve that goal:

导入numpy为np
从skimage导入曝光
进口base64
from PIL import Image, ImageOps, ImageChops
从io导入BytesIO

我们可以将这种转变分为六个不同的部分:

1. Replace a transparent background with a color

< / div >

def replace_transparent_background(image):
    Image_arr = np.数组(图片)

    如果len (image_arr.形状)== 2:
        返回图像

    Alpha1 = 0
    r2, g2, b2, alpha2 = 255, 255, 255, 255

    红色的, 绿色, 蓝色的, Alpha = image_arr [:], :, 0], image_arr [:, :, 1], image_arr [:, :, 2], image_arr [:, :, 3]
    掩码= (alpha == alpha1)
    image_arr [:, :, :4][mask] = [r2, g2, b2, alpha2]

    返回图像.fromarray (image_arr)

2. 修剪开放的边界

< / div >

def trim_borders(图片):
    bg =图像.新(图片.模式,形象.大小,图像.获取像素((0,0)))
    diff = ImageChops.差异(形象,bg)
    diff = ImageChops.加上(diff, diff, 2.0, -100)
    Bbox = diff.getbbox ()
    如果bbox:
        返回图像.作物(bbox)
    
    返回图像

3. 添加相等大小的边框

< / div >

def pad_image(图片):
    返回ImageOps.exp和(image, border=30, fill='#fff')

4. Convert 的 image to grayscale mode

def to_grayscale(图片):
    返回图像.转换(“L”)

5. 反色

< / div >

def invert_colors(图片):
    返回ImageOps.转化(图片)

6. Resize 的 image to 8x8 format

< / div >

def resize_image(图片):
    返回图像.调整((8,8)，图像.线性)

现在可以测试应用程序了. 运行应用程序并输入下面的命令以发送请求 这个库存图像 到API:

< / div >

出口FLASK_APP =应用
瓶运行

curl "http://localhost:5000/api/p红色的ict" -X "POST" -H "Content-Type: 应用程序lication/json" -d "{\"image\": \"data:image/png,美元(curl http://media.istockphoto.com/vectors/number-eight-8-h和-drawn-with-dry-brush-vector-id484207302?k=6&m=484207302&s=170667a&w=0&h=s3YANDyuLS8u2so-uJbMA2uW6fYyyRkabc1a6OTq7iI=" | base64 " \"}" -i

You should see 的 following output:

HTTP / 1.1100继续

HTTP / 1.0 200 OK
Content-Type: text/html; charset=utf-8
内容长度:1
服务器:Werkzeug / 0.14.1 Python / 3.6.3
Date: Tue, 27 Mar 2018 07:02:08 GMT

8

样本图像描绘了数字8，我们的应用程序正确地识别了它.

Creating a Drawing Pane Via 反应

为了快速引导前端应用程序，我们将使用 CRA样板:

create-react-应用程序前端
cd前端

在设置工作场所之后，我们还需要一个依赖项来绘制数字. 的 react-sketch package matches our needs perfectly:

NPM I反应-草图

的 应用程序lication has only one component. We can divide this component into two parts: 逻辑和视图.

视图部分负责表示绘图窗格， 提交 和 重置 按钮. 当交互时，我们也应该表示预测或错误. 从逻辑上看，它有以下职责: 提交的图片 和 清除草图.

每当用户点击 提交，该组件将从草图组件中提取图像，并调用API模块 makeP红色的iction 函数. 如果对后端的请求成功，我们将设置预测状态变量. O的rwise, we’ll update 的 error state.

当用户点击时 重置，草图就会清晰:

import 反应, { useRef, useState } from "react";

import { makeP红色的iction } from "./ api”;

const App = () => {
  const sketchRef = useRef(null);
  const [error, setError] = useState();
  const [p红色的iction, setP红色的iction] = useState();

  const h和le提交 = () => {
    const image = sketchRef .草图.当前的.toDataURL ();

    setP红色的iction(定义);
    setError(定义);

    makeP红色的iction(图片).然后(setP红色的iction).抓住(setError);
  };

  const h和leClear = (e) => sketchRef.当前的.明确的();

  返回null
}

逻辑是充分的. Now we can add 的 visual interface to it:

import 反应, { useRef, useState } from "react";
从“react-sketch”中导入{SketchField, 工具};

import { makeP红色的iction } from "./ api”;

从“./标识.svg”;
进口”./应用程序.css”;

const pixels = (count) => `${count}px`;
const percents = (count) => `${count}%`;

const MAIN_CONTAINER_WIDTH_PX = 200;
const MAIN_CONTAINER_HEIGHT = 100;
const MAIN_CONTAINER_STYLE = {
  width: pixels(MAIN_CONTAINER_WIDTH_PX),
  height: percents(MAIN_CONTAINER_HEIGHT),
  边距:"0 auto"，
};

const SKETCH_CONTAINER_STYLE = {
  边框:"1px纯黑色"，
  width: pixels(MAIN_CONTAINER_WIDTH_PX - 2),
  height: pixels(MAIN_CONTAINER_WIDTH_PX - 2),
  写成backgroundColor:“白”,
};

const App = () => {
  const sketchRef = useRef(null);
  const [error, setError] = useState();
  const [p红色的iction, setP红色的iction] = useState();

  const h和le提交 = () => {
    const image = sketchRef .草图.当前的.toDataURL ();

    setP红色的iction(定义);
    setError(定义);

    makeP红色的iction(图片).然后(setP红色的iction).抓住(setError);
  };

  const h和leClear = (e) => sketchRef.当前的.明确的();

  回报(
    

      

        

          
          
Draw a digit
        
        

          
        
        {预测 && 
P红色的icted value is: {预测}
}
        Clear
        Guess 的 number
        {错误 && 
Something went wrong
}
      
    
  );
};

导出默认App;

组件准备好了，通过执行并转到来测试它 localhost: 3000 后:

NPM运行启动

的 demo 应用程序lication is available 在这里. You can also browse 的 source code on GitHub.

结束

这个分类器的质量并不完美，我并不假装它是完美的. 我们用于训练的数据和来自UI的数据之间的差异是巨大的. 尽管如此，我们在不到30分钟的时间内从零开始创建了一个可工作的应用程序.

< / div >

在这个过程中，我们在四个方面磨练了自己的技能:

• 机器学习
• 后端开发
• 图像处理
• 前端开发

对于能够识别手写数字的软件来说，并不缺乏潜在的用例, 从教育和行政软件到邮政和金融服务.

因此, 我希望这篇文章能够激励您提高机器学习能力, 图像处理, 和 front-end 和 back-end development, 并使用这些技能来设计出色而有用的应用程序.

如果你想拓宽你在机器学习和图像处理方面的知识, 你可能想看看我们的 Adversarial 机器学习 Tutorial.

< / div >< / div >< / div >< / div >

Fur的r Reading on 的 Toptal 博客:

• 机器学习 Video Analysis: Identifying Fish
• 带示例的机器学习教程:ML理论及其应用介绍
• How to Approach 机器学习 Problems
• 基于未标记数据的半监督图像分类
• 深度学习教程:从感知器到深度网络

< / div >

了解基本知识

• What is MNIST in machine learning?

  MNIST是计算机视觉领域最流行的入门级数据集之一. 它包含成千上万的手写数字图像.

  < / div >< / div >

• What is 培训 in machine learning?

  机器学习 模型s learn from data. 为了使模型足够智能，我们需要提供具有预期结果的数据. 模型将使用这些数据来检测数据参数与期望结果之间的关系.

  < / div >< / div >

• What is 图像处理 in machine learning?

  图像处理是对图像进行某些操作以获得增强图像或提取有用信息的一种方法.

  < / div >< / div >

< / div >< / div >

标签

• MachineLearning
• ImageRecognition

< / div >< / div >< / div >< / div >

Hire a Toptal expert on this topic.< / div >现在雇佣< / div >< / div >

< / div >

< / div >

Teimur Gasanov

验证专家 在工程< / div >< / div >< / div >

Bishkek, Chuy Province, Kyrgyzstan

2018年5月1日成为会员

< / div >< / div >< / div >

作者简介

Teimur热衷于使用反应编写复合接口和使用Go构建可扩展api. 他擅长为非典型问题寻找解决方案.

< / div >显示更多< / div >

---

作者都是各自领域经过审查的专家，并撰写他们有经验的主题. 我们所有的内容都经过同行评审，并由同一领域的Toptal专家验证.< / div >

专业知识

数据科学机器学习< / div >< / div >

以前在

< / div >< / div >

雇佣Teimur< / div >< / div >< / div >

< / div >< / div >

< / div >