djl和ljl_使用Spring Boot和DJL进行深度学习

矫情吗；* 2023-02-25 03:56 50阅读 0赞

djl和ljl

## 总览 ##

这是Spring Boot上的另一篇[文章][Link 1] ，该文章将展示如何使用[Deep Java Library][] （DJL）构建示例Web应用程序， [Deep Java Library][] （DJL）是Java的开源深度学习库，用于诊断X射线图像上的COVID-19。

该示例应用程序是DJL类似的COVID-19 [示例的][Link 2]基于Spring Boot的版本，它具有一个使用Twitter Bootstrap和JQuery构建的简单静态HTML页面，用户可以将图像URL提交到REST api，DJL库将在其中下载图像和预测是否是被COVID-19感染的肺部的X射线图像。

到源代码的链接包含在这篇文章的结尾。

**免责声明** ：这只是基于[https://github.com/ieee8023/covid-chestxray-dataset][https_github.com_ieee8023_covid-chestxray-dataset]上的数据集的演示应用程序，不应将其用于实际医学诊断。

## 深度Java库 ##

如前所述， [DJL][Deep Java Library]是基于Java的库，支持多个  
深度学习框架，例如[Apache MxNet][] ， [PyTorch][]和[Tensorflow][] 。 由于大多数深度学习引擎都是使用Python而不是Java构建的，因此DJL内置了引擎适配器来访问这些引擎的本机共享库。

DJL以一种优雅的方式做到了这一点，这使得根据用例从一个框架切换到另一个框架变得非常简单。

## 依存关系 ##

该应用程序需要Spring Boot Web Starter：

<code> <dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-web</artifactId>
    </dependency></code>

还有commons-io库，用于一些基本的I / O操作：

<code> <dependency>
    <groupId>commons-io</groupId>
    <artifactId>commons-io</artifactId>
    <version>2.6</version>
    </dependency></code>

Lombok库也是如此，因为我懒得编写getter和setter方法：

<code> <dependency>
    <groupId>org.projectlombok</groupId>
    <artifactId>lombok</artifactId>
    <optional>true</optional>
    </dependency></code>

最后是此示例应用程序的DJL依赖项：

<code> <dependency>
    <groupId>ai.djl</groupId>
    <artifactId>api</artifactId>
    <version>${ai.djl.version}</version>
    </dependency>
    <dependency>
    <groupId>ai.djl.tensorflow</groupId>
    <artifactId>tensorflow-api</artifactId>
    <version>${ai.djl.version}</version>
    </dependency>
    <dependency>
    <groupId>ai.djl.tensorflow</groupId>
    <artifactId>tensorflow-engine</artifactId>
    <version>${ai.djl.version}</version>
    </dependency>
    <dependency>
    <groupId>ai.djl.tensorflow</groupId>
    <artifactId>tensorflow-native-auto</artifactId>
    <version>${tensorflow-native-auto.version}</version>
    <scope>runtime</scope>
    </dependency>
    <dependency>
    <groupId>net.java.dev.jna</groupId>
    <artifactId>jna</artifactId>
    <version>${jna.version}</version> 
    </dependency></code>

这是DJL依赖版本所需的Maven属性列表：

## XRayApplication类 ##

此类的`main()`方法将启动Spring Boot应用程序，并且看起来像大多数其他Application类文件：

<code>@SpringBootApplication
    public class XRayApplication {
    
    public static void main(String[] args) {
    SpringApplication.run(XRayApplication.class, args);
    }
    
    }</code>

## 组态 ##

为了配置DJL库，让我们创建一个带有`@Configuration`批注的`DjlConfig`类。

此类将定义一个`ZooModel` Spring Bean，它将帮助预测所提交的图像URL是否属于被COVID-19感染的肺：

<code> @Bean
    public ZooModel xrayModel() throws Exception {
    Criteria<BufferedImage, Classifications> criteria =
    Criteria.builder()
    .setTypes(BufferedImage.class, Classifications.class)
    .optTranslator(new XrayTranslator())
    .build();
    
    return ModelZoo.loadModel(criteria);
    }</code>

这段代码说明的是，我们创建了一个具有`BufferedImage`输入和`Classifications` （稍后会详细介绍）输出类型的`XrayTranslator`对象，并且它使用`XrayTranslator`对象将输入图像转换为深度学习模型正常运行所需的格式。

下面是该代码`XrayTranslator`这是内一个内部类`DjlConfig` ：

## Covid19服务 ##

<code> public static final class XrayTranslator implements Translator<BufferedImage, Classifications> {
    
    private static final List<String> CLASSES = Arrays.asList("covid-19", "normal");
    
    @Override
    public NDList processInput(TranslatorContext ctx, BufferedImage input) {
    NDArray array =
    BufferedImageUtils.toNDArray(
    ctx.getNDManager(), input, NDImageUtils.Flag.COLOR);
    array = NDImageUtils.resize(array, 224).div(255.0f);
    return new NDList(array);
    }
    
    @Override
    public Classifications processOutput(TranslatorContext ctx, NDList list) {
    NDArray probabilities = list.singletonOrThrow();
    return new Classifications(CLASSES, probabilities);
    }
    }
    </code>

## Covid19服务 ##

`Covid19Service`类将处理诊断X射线图像的业务逻辑，令人惊讶的是，它实际上只有几行代码：

<code>@Service
    public class Covid19Service {
    
    @Autowired
    private ZooModel xrayModel;
    
    public String diagnose(String imageUrl) {
    try (Predictor<BufferedImage, Classifications> predictor = xrayModel.newPredictor()) {
    Classifications result = predictor.predict(BufferedImageUtils.fromUrl(imageUrl));
    return "Diagnose: "
    + result.best().getClassName()
    + " , probability: "
    + result.best().getProbability();
    } catch (Exception e) {
    throw new RuntimeException("Failed to diagnose", e);
    }
    }
    }</code>

在`DjlConfig`类中创建的`ZooModel` bean是自动装配的，并在具有`imageUrl`参数的`imageUrl` `diagnose()`方法中使用。

在该方法中，我们使用`try-resource`块创建`Predictor`对象（因为在执行后需要关闭预测变量），并使用它通过预先训练的Tensorflow模型运行`BufferedImage(`使用`imageUrl`参数创建）。

有关该模型的更多详细信息，请访问：https://www.pyimagesearch.com/2020/03/16/detecting-covid-19-in-x-ray-images-with-keras-tensorflow-and-deep-learning/ 。

一旦运行diagnostic `diagnose()`方法， `Classifications`结果对象将显示X射线图像上的肺部是否被COVID-19感染，以及感染的可能性是多少。

## Covid19控制器 ##

控制器类定义了REST API来诊断X射线图像，这些图像将由我们的简单前端应用程序消耗：

<code>@RestController
    @RequestMapping(value = "/api/v1", produces = MediaType.APPLICATION_JSON_VALUE)
    public class Covid19Controller {
    private final Covid19Service covid19Service;
    
    public Covid19Controller(Covid19Service covid19Service) {
    this.covid19Service = covid19Service;
    }
    
    @GetMapping("/covid19/diagnose")
    public ResponseEntity diagnose(@RequestParam String imageUrl) {
    String answer = covid19Service.diagnose(imageUrl);
    return ResponseEntity.ok(Collections.singletonMap("result", answer));
    }
    }</code>

`@RestController`注释告诉Spring在我们的**MVC**设计中，这是一个定义REST API的**C** ontroller bean。

`@RequestMapping`注释告诉Spring此类中所有REST `/api/v1`路径都应以`/api/v1`作为前缀，并且所有REST `/api/v1`将返回`application\json`响应。

我们之前讨论的`Covid19Service`在构造函数中自动装配，随后由REST `diagnose` api在`GET /api/v1/covid19/diagnose`路径中使用。

诊断api接受`imageUrl`请求参数，并返回带有结果字符串表示形式的JSON文档。

## 前端 ##

Spring Boot应用程序具有一个简单的静态`index.html`文件作为诊断REST api的前端客户端，它使用Twitter Bootstrap进行响应式设计，并使用JQuery进行REST api调用：

该文件具有HTML格式，可以捕获用户的X射线图像URL：

<code> <form id="diagnoseForm" class="mb-4">
    <div class="input-group">
    <input type="url" id="imageUrl" class="form-control" required
    placeholder="Enter a image url"
    aria-label="Image URL">
    <div class="input-group-append">
    <button class="btn btn-outline-primary">Submit</button>
    </div>
    </div>
    </form></code>

提交表单后，REST API可能需要一段时间才能做出响应。 同时，页面将显示一个微调器，一旦收到响应，该文本将显示在`diagnose` div中：

<code> <div class="row ml-1">
    <div id="spinnerDiagnose" class="text-primary" role="status">
    <span class="sr-only">Loading...</span>
    </div>
    <div id="diagnose"></div>
    </div></code>

参见下面的javascript代码：

<code>$( "#diagnoseForm" ).submit(function( event ) {
    const imageUrl = $('#imageUrl').val();
    $('#spinnerDiagnose').addClass('spinner-border');
    $('#diagnose').html('');
    
    $.ajax('/api/v1/covid19/diagnose?imageUrl='+imageUrl)
    .done(data => {
    $('#spinnerDiagnose').removeClass('spinner-border');
    $('#diagnose').html(data.result);
    })
    .fail(err => {
    $('#spinnerDiagnose').removeClass('spinner-border');
    $('#diagnose').html('Failed to get answer');
    });
    event.preventDefault();
    });</code>

触发表单的`imageUrl`事件时，代码获取`imageUrl`值，显示微调器，从以前的运行中清除`diagnose` div的内容，并使用`imageUrl`调用诊断REST api。

如果响应成功，代码将隐藏微调框并在`diagnose` div中显示结果。

发生错误时，代码还将隐藏微调框并显示一般错误消息。

## 运行应用 ##

该应用需要先下载Tensorflow才能运行。

在项目根文件夹中运行以下命令：

<code>mkdir models
    cd models
    curl https://djl-tensorflow-javacpp.s3.amazonaws.com/tensorflow-models/covid-19/saved_model.zip | jar xv
    cd ..
    ./mvnw spring-boot:run -Dai.djl.repository.zoo.location=models/saved_model</code>

然后访问[http：// localhost：8080 / index.html][http_ localhost_8080 _ index.html]进行X射线图像URL的诊断。 要使用的示例图像：

*  [COVID-19感染的肺][COVID-19]
 *  [正常肺][Link 3]

## 总览 ##

在本教程中，我们回顾了如何使用Spring Boot，DJL和Tensorflow创建示例深度学习Java应用程序。

该帖子的源代码位于[https://github.com/davidkiss/djl-spring-boot-xray][https_github.com_davidkiss_djl-spring-boot-xray] 。

> 翻译自: [https://www.javacodegeeks.com/2020/05/deep-learning-with-spring-boot-and-djl.html][https_www.javacodegeeks.com_2020_05_deep-learning-with-spring-boot-and-djl.html]

djl和ljl

[Link 1]: http://kaviddiss.com/category/spring/
[Deep Java Library]: https://djl.ai/
[Link 2]: https://github.com/aws-samples/djl-demo/tree/master/covid19-detection
[https_github.com_ieee8023_covid-chestxray-dataset]: https://github.com/ieee8023/covid-chestxray-dataset
[Apache MxNet]: https://mxnet.apache.org/
[PyTorch]: https://pytorch.org/
[Tensorflow]: https://www.tensorflow.org/
[http_ localhost_8080 _ index.html]: http://localhost:8080/index.html
[COVID-19]: https://github.com/ieee8023/covid-chestxray-dataset/tree/master/images
[Link 3]: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia
[https_github.com_davidkiss_djl-spring-boot-xray]: https://github.com/davidkiss/djl-spring-boot-xray
[https_www.javacodegeeks.com_2020_05_deep-learning-with-spring-boot-and-djl.html]: https://www.javacodegeeks.com/2020/05/deep-learning-with-spring-boot-and-djl.html