Swift 兼容性说明
本项目目前使用 Swift 3.1 或者 Swift 4.0 工具链编译，可以在macOS / Ubuntu上使用。
编译运行
运行以下命令可以运行本示例程序并在8080端口创建服务器：
git clone https://github.com/PerfectExamples/Perfect-TensorFlow-Demo-Vision.git cd Perfect-TensorFlow-Demo-Vision
./install.sh ./.build/debug/PerfectTensorFlowDemo
应该能够看到以下输出：
[INFO] Starting HTTP server localhost on 0.0.0.0:8080
意味着服务器已经准备好，请访问 http://localhost:8080/ 查看演示主页，您可以如下图所示上载一个本地图片考验计算机是否能够识别，或者甚至可以用鼠标手绘一个草图来测试计算机视觉识别能力。下面的例子是上载了一个信封✉️的照片，然后服务器识别返回给客户端，用英语问这是不是一个信封，并列出了可能是信封的概率：：
组合键control-c可以停止服务器运行。
服务器API
本项目的目标是制作这样的一个服务器，在调用根目录/recog函数API之后，客户端可以给服务器用POST表单发送一张图片，然后服务器对图像内容进行识别，识别完成之后返回给客户端一个json字符串，其中内容就是识别图像内容的结果；即如果图像内容是一个闹钟⏰，则回复字符串{“value”:”clock”}。
简介
本样例代码使用了一个预先训练好的机器视觉模型（数学家万岁，搞人工神经网络的数学家万岁万岁万万岁！）：
(http://arxiv.org/abs/1512.00567).
您可以将人工神经网络模型文件加载到一个Perfect TensorFlow Session对象，像这样：
let g = try TF.Graph()
let def = try TF.GraphDef(serializedData: model) try g.import(definition: def)
连同模型一起下载的还有一个已知物体的名单（英文）文件：
try fTag.open(.read)
let lines = try fTag.readString()
tags = lines.utf8.split(separator: 10).map { String(describing: $0) }
// 字符串数组变量应该看起来像这样：
// tags = ["dummy", "kit fox", "English setter", "Siberian husky" ...]
一旦从客户端收到图片后，服务器会将图片内容正规化：
public func constructAndExecuteGraphToNormalizeImage(_ g: TF.Graph, imageBytes: Data) throws -> TF.Tensor { let H:Int32 = 224 let W:Int32 = 224 let mean:Float = 117 let scale:Float = 1 let input = try g.constant(name: "input2", value: imageBytes) let batch = try g.constant( name: "make_batch", value: Int32(0)) let scale_v = try g.constant(name: "scale", value: scale) let mean_v = try g.constant(name: "mean", value: mean) let size = try g.constantArray(name: "size", value: [H,W]) let jpeg = try g.decodeJpeg(content: input, channels: 3) let cast = try g.cast(value: jpeg, dtype: TF.DataType.dtFloat) let images = try g.expandDims(input: cast, dim: batch) let resizes = try g.resizeBilinear(images: images, size: size) let subbed = try g.sub(x: resizes, y: mean_v) let output = try g.div(x: subbed, y: scale_v) let s = try g.runner().fetch(TF.Operation(output)).run()
guard s.count > 0 else { throw TF.Panic.INVALID } return s[0]
}
-
1
-
2
-
3
-
4
-
5
-
6
-
7
-
8
-
9
-
10
-
11
-
12
-
13
-
14
-
15
-
16
-
17
-
18
-
19
-
20
-
1
-
2
-
3
-
4
-
5
-
6
-
7
-
8
-
9
-
10
-
11
-
12
-
13
-
14
-
15
-
16
-
17
-
18
-
19
-
20
然后就可以跑一下TensorFlow的会话输出：
let result = try g.runner().feed("input", tensor: image).fetch("output").run()
结果是一个概率数组，其长度与名单吻合，用于预测名单中每一个对象可能的概率。因此只要找出数组中大概率就可以获得图像被“识别”的结果：
public func match(_ g: TF.Graph, image: Data) throws -> (Int, Int) { let normalized = try constructAndExecuteGraphToNormalizeImage(imageBytes: image) let possibilities = try executeInceptionGraph(image: normalized)
guard let m = possibilities.max(), let i = possibilities.index(of: m) else { throw TF.Panic.INVALID
} return (i, Int(m * 100))
}
后一步就是把概率索引转换为对象名称，然后发给客户端：
let tag = tags[result.0] let p = result.1 response.setHeader(.contentType, value: "text/json")
.appendBody(string: "{\"value\": \"Is it a \(tag)? (Possibility: \(p)%)\"}")
.completed()
大功告成！就是这样简单！
当然，如果您仍然觉得服务器配置和部署比较麻烦，那么请访问Perfect官网perfect.org，下载Perfect Assistant 2.0 ，即软件助手2.0版本，即可实现Swift函数库和预装人工智能服务器整体打包管理、编译、部署一条龙，目前支持亚马逊弹性计算和谷歌应用引擎，还将陆续增加更多服务器部署方案选择，这样您就可以随时改进自己的程序应用，逐步增加人工智能和神经网络、以及机器深度学习的新功能啦！
本站文章版权归原作者及原出处所有 。内容为作者个人观点， 并不代表本站赞同其观点和对其真实性负责，本站只提供参考并不构成任何投资及应用建议。本站是一个个人学习交流的平台，网站上部分文章为转载，并不用于任何商业目的，我们已经尽可能的对作者和来源进行了通告，但是能力有限或疏忽，造成漏登，请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。本站拥有对此声明的最终解释权。
