当机器学习遇见SpringBoot,不一样的火花哦

前言

近来,疫情得到了控制,各个地方也都慢慢恢复了往常的热闹。在疫情期间,踊跃出来了很多不错的项目,可以提供我们了解学习。

对于机器学习,对于普通技术人员有种望而止步的既视感。现在,我们结合SpringBoot加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。

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上的数据集的演示应用程序, 不应将其用于实际医学诊断。

DJL

DJL 是基于Java的库,支持多种深度学习框架,例如 Apache MxNetPyTorchTensorflow。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,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。

Maven 依赖

<properties>
    <java.version>1.8</java.version>
    <ai.djl.version>0.5.0</ai.djl.version>
    <jna.version>5.3.0</jna.version>
    <tensorflow-native-auto.version>2.1.0</tensorflow-native-auto.version>
</properties>
<dependencies>
    <!-- Spring Boot web starter -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    <dependency>
        <groupId>commons-io</groupId>
        <artifactId>commons-io</artifactId>
        <version>2.6</version>
    </dependency>
    <dependency>
        <groupId>org.projectlombok</groupId>
        <artifactId>lombok</artifactId>
        <optional>true</optional>
    </dependency>
    <!-- DJL 相关依赖 -->
    <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>
</dependencies>

启动类

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

配置类

与配置Redis之类的中间件一样,我们使用DJL,需要进行关联的配置。可以采用xml配置,当然根据SpringBoot更优雅的实现,采用@Configuration。

@Configuration
public class DjlConfig {
    @Bean
    public ZooModel xrayModel() throws Exception {
        //创建模型 输入BufferedImage 和Classifications类别
        Criteria<BufferedImage, Classifications> criteria =
        Criteria.builder()
        .setTypes(BufferedImage.class, Classifications.class)
        .optTranslator(new XrayTranslator())
        .build();
        return ModelZoo.loadModel(criteria);
    }
    // 内部类 构建 解析器
    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);
        }
  }
}

Service层实现

@Service
public class Covid19Service {
    @Autowired
    private ZooModel xrayModel;
    //业务逻辑,分析图片数据
    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);
        }
    }
}

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

在该方法内,我们 通过预训练的Tensorflow模型Predictor使用该try-resource 块创建一个 对象 (因为预测器在执行后需要关闭),并使用它来运行 BufferedImage(使用imageUrl参数创建的 对象。

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diagnose()运行该 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,以及出现的可能性。

Controller层实现

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使用

@RestController
@RequestMapping(value = "/api/v1", produces = MediaType.APPLICATION_JSON_VALUE)
public class Covid19Controller {
    /**
     * 通过构造器,注入服务类
     */
    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));
    }
}

具体类注解的使用,应该使用过SpringBoot的小伙伴,都了解作用。不是很清晰的同学,可以去SpringBoot官方查看相关资料。

前端页面

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

引入对应的js 、css
<head>
    <link rel="stylesheet" href="/css/bootstrap.min.css"/>
    <script src="/js/jquery.min.js"></script>
</head>
创建表单,提交数据
<form id="diagnoseForm" class="mb-4">
    <div class="input-group">
        <input type="url" id="imageUrl" class="form-control" required placeholder="输入图像url" aria-label="Image URL">
        <div class="input-group-append">
            <button class="btn btn-outline-primary">提交</button>
        </div>
    </div>
</form>
数据展示区域
<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>
对应的js代码
$( "#diagnoseForm" ).submit(function( event ) {
    // 获取图片值
    const imageUrl = $('#imageUrl').val();
    $('#spinnerDiagnose').addClass('spinner-border');
    // 清空
    $('#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();
});

到此整个代码,完毕。

运行应用

该应用环境必须需要Tensorflow的支持,因此需要下载对应的训练模型。

在项目的根文件夹中运行以下命令:

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

之后,就可以在http://localhost:8080/index.html 进行X射线图像URL的诊断。要使用的示例图像参考如下:

源码在公众号,后台回复机器学习源码获取
当机器学习遇见SpringBoot,不一样的火花哦

上一篇:使用Vue3和Vue2进行开发的区别


下一篇:Vue:触发视图更新的hack