三分钟体验：SpringBoot用深度学习模型识别数字

一时失言乱红尘 2022-10-10 11:21 154阅读 0赞

### 欢迎访问我的GitHub ###

> 这里分类和汇总了欣宸的全部原创(含配套源码)：[https://github.com/zq2599/blog\_demos][https_github.com_zq2599_blog_demos]

### 本篇概览 ###

*  使用Deeplearning4j训练出来的模型，可以在java应用中使用吗？
 *  当然能，今天咱们花三分钟来体验集成了AI能力的SpringBoot应用
 *  该应用的功能是识别黑白图片中的手写数字（每张图片内只有一个数字），如下图，通过http接口将此图片提交，让SpringBoot应用去识别：  
    ![在这里插入图片描述][20210629081322563.png]
 *  下图是postman操作界面的截图，红框中的数字就是SpringBoot应用的识别结果，数字**8**，与图片一致：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center]
 *  SpringBoot应用用到的AI模型是LeNet-5，这是个经典的识别模型，常用在卷积网络入门学习中
 *  本篇以体验为主，不涉及具体的开发，后面还会有文章介绍完整的开发过程（包括源码）

### 环境信息 ###

*  为了简化体验过程，接下来会用到docker，推荐的环境信息如下：

1.  操作系统：Ubuntu 16.04.1 LTS 服务器版（MacBook Pro也可以，版本是11.2.3，macOS Big Sur）
2.  docker：20.10.2 Community
3.  为了加快docker镜像的下载速度，建议您提前做好docker加速配置
4.  用于提交图片的http工具，我这里是postman

*  文章标题号称三分钟极速体验，没时间说太多，准备好环境就火速动手啦

### 部署 ###

1.  新建名为images的目录，用于存储处理后的文件，我这里完整路径是/home/will/temp/202106/29/images
2.  新建名为model目录，用于存储稍后要下载的模型文件，我这里完整路径是/home/will/temp/202106/29/model
3.  下载训练好的模型文件，我准备了两个下载地址，您任选一个即可，一个是csdn的（无需积分）：https://download.csdn.net/download/boling\_cavalry/19881160，另一个是https://raw.githubusercontent.com/zq2599/blog\_download\_files/master/files/minist-model.zip
4.  下载好的模型文件是minist-model.zip，不要解压，直接放进前面新建的model目录
5.  执行以下命令，会先下载docker镜像文件再创建容器：

docker run \
    --rm \
    -p 18080:8080 \
    -v /home/will/temp/202106/29/images:/app/images \
    -v /home/will/temp/202106/29/model:/app/model \
    bolingcavalry/dl4j-model-app:0.0.3

1.  镜像文件有点大(九百多兆…)，请您耐心等待，主要是dl4j的依赖库太大了
2.  当控制台输出如下内容，表示启动成功，并且加载模型成功：

2021-06-29 10:51:55.744  INFO 1 --- [           main] w.s.c.ServletWebServerApplicationContext : Root WebApplicationContext: initialization completed in 1748 ms
    2021-06-29 10:51:55.852  INFO 1 --- [           main] c.b.p.service.impl.PredictServiceImpl    : load model from [/app/model/minist-model.zip]
    2021-06-29 10:51:55.950  INFO 1 --- [           main] org.nd4j.linalg.factory.Nd4jBackend      : Loaded [CpuBackend] backend
    2021-06-29 10:51:58.397  INFO 1 --- [           main] org.nd4j.nativeblas.NativeOpsHolder      : Number of threads used for linear algebra: 1
    2021-06-29 10:51:58.399  WARN 1 --- [           main] o.n.l.cpu.nativecpu.CpuNDArrayFactory    : *********************************** CPU Feature Check Warning ***********************************
    2021-06-29 10:51:58.399  WARN 1 --- [           main] o.n.l.cpu.nativecpu.CpuNDArrayFactory    : Warning: Initializing ND4J with Generic x86 binary on a CPU with AVX/AVX2 support
    2021-06-29 10:51:58.399  WARN 1 --- [           main] o.n.l.cpu.nativecpu.CpuNDArrayFactory    : Using ND4J with AVX/AVX2 will improve performance. See deeplearning4j.org/cpu for more details
    2021-06-29 10:51:58.399  WARN 1 --- [           main] o.n.l.cpu.nativecpu.CpuNDArrayFactory    : Or set environment variable ND4J_IGNORE_AVX=true to suppress this warning
    2021-06-29 10:51:58.399  WARN 1 --- [           main] o.n.l.cpu.nativecpu.CpuNDArrayFactory    : *************************************************************************************************
    2021-06-29 10:51:58.407  INFO 1 --- [           main] org.nd4j.nativeblas.Nd4jBlas             : Number of threads used for OpenMP BLAS: 1
    2021-06-29 10:51:58.411  INFO 1 --- [           main] o.n.l.a.o.e.DefaultOpExecutioner         : Backend used: [CPU]; OS: [Linux]
    2021-06-29 10:51:58.412  INFO 1 --- [           main] o.n.l.a.o.e.DefaultOpExecutioner         : Cores: [32]; Memory: [7.0GB];
    2021-06-29 10:51:58.412  INFO 1 --- [           main] o.n.l.a.o.e.DefaultOpExecutioner         : Blas vendor: [OPENBLAS]
    2021-06-29 10:51:59.076  INFO 1 --- [           main] o.d.nn.multilayer.MultiLayerNetwork      : Starting MultiLayerNetwork with WorkspaceModes set to [training: ENABLED; inference: ENABLED], cacheMode set to [NONE]
    2021-06-29 10:51:59.658  INFO 1 --- [           main] o.s.b.w.embedded.tomcat.TomcatWebServer  : Tomcat started on port(s): 8080 (http) with context path ''
    2021-06-29 10:51:59.671  INFO 1 --- [           main] c.b.p.PredictNumberApplication           : Started PredictNumberApplication in 6.474 seconds (JVM running for 7.235)

*  现在SpringBoot应用启动成功了，我们来试试识别图片的功能，这个应用提供了两个接口，分别可以测试白底黑字和黑底白字

### 识别白底黑字 ###

*  准备一张白底黑字的png图片(画图板，截图工具都可以)，例如下面这张：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 1]
 *  白底黑字识别服务的地址是IP地址:18080/predict-with-white-background，用postman操作如下图，请按照数字顺序操作1-6，可见输入很简单，就一个字段，返回值就是识别结果，符合预期：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 2]

### 识别黑底白字 ###

*  接下来试试黑底白字，准备一张类似下图的png图片：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 3]
 *  黑底白字识别服务的地址是IP地址:18080/predict-with-black-background，用postman操作如下图，请按照数字顺序操作1-6，返回结果是红框8中的数字，符合预期：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 4]
 *  至此，SpringBoot结合深度学习模型的体验已经完成，一分钟概览，一分钟部署，一分钟体验，咱们足够高效(下载九百多兆镜像的时间不能算，不敢算…)
 *  此刻您应该能感受到深度学习的魅力了，聪明的您当然会有很多疑问，例如：

1.  模型是怎么训练出来的？
2.  java代码中如何使用这个模型？
3.  这些东西怎么做成docker镜像？

*  这些疑问会在[《SpringBoot用深度学习模型识别数字：开发详解》][SpringBoot]一文完全揭秘，然后您也能轻易做出集成深度学习模型的SpringBoot应用，欢迎点击深入体验；

### 你不孤单，欣宸原创一路相伴 ###

1.  [Java系列][Java]
2.  [Spring系列][Spring]
3.  [Docker系列][Docker]
4.  [kubernetes系列][kubernetes]
5.  [数据库+中间件系列][Link 1]
6.  [DevOps系列][DevOps]

[https_github.com_zq2599_blog_demos]: https://github.com/zq2599/blog_demos
[20210629081322563.png]: /images/20221005/da60bd70b6694e1484d511d8ef7b474b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center]: /images/20221005/60cf28e2f58c4966a06c748c1459b54e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221005/896776c5f2aa4e16a7c1682b4af1278f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221005/18788f00e6784ff789653955c50c5f4e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221005/5f8e13d667a04ed6918b722705399a19.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221005/676f2f06ab00457e899955bf451c32ff.png
[SpringBoot]: https://blog.csdn.net/boling_cavalry/article/details/118353259
[Java]: https://xinchen.blog.csdn.net/article/details/105068742
[Spring]: https://xinchen.blog.csdn.net/article/details/105086498
[Docker]: https://xinchen.blog.csdn.net/article/details/105086732
[kubernetes]: https://xinchen.blog.csdn.net/article/details/105086794
[Link 1]: https://xinchen.blog.csdn.net/article/details/105086850
[DevOps]: https://xinchen.blog.csdn.net/article/details/105086920