[PYTHON] Kolbengrundierung Memo

Aidemy　2020/10/4

Einführung

Hallo, es ist ja! Ich bin eine knusprige Literaturschule, aber ich war an den Möglichkeiten der KI interessiert, also ging ich zur AI-spezialisierten Schule "Aidemy", um zu studieren. Ich möchte das hier gewonnene Wissen mit Ihnen teilen und habe es in Qiita zusammengefasst. Ich freue mich sehr, dass viele Menschen den vorherigen zusammenfassenden Artikel gelesen haben. Vielen Dank! Dieses Mal werde ich eine Einführung in Flask Memo veröffentlichen. Freut mich, dich kennenzulernen.

• Dieser Artikel ist eine Zusammenfassung dessen, was Sie in "Aidemy" "in Ihren eigenen Worten" gelernt haben. Es kann Fehler und Missverständnisse enthalten. Bitte beachten Sie.

Über Flask

Was ist eine Flasche?

-Flask ist ein Python-Webanwendungsframework. Ähnlich wie Rails in Ruby. ・ Der Kolben wird wie folgt verwendet.

#Flaschenpaket importieren
from flask import Flask
#Erstellen einer Instanz der Flask-Klasse
app=Flask(__name__)
#Definieren Sie die Funktion beim Zugriff auf die URL
@app.route('/')
def hello_world():
    return "Hello World"
#Nur ausführen, wenn der Code direkt ausgeführt wird.
if __name__=='__main__':
    app.run()

[email protected] ("URL") __ dient zum Ausführen der danach definierten Funktion beim Zugriff auf die URL. -Der name wird später beschrieben.

Was ist name

-Name ist eine Variable, die automatisch für jede Datei definiert wird, und __der Dateiname wird gespeichert. __ __

• Außerdem wird _____ main_ gespeichert, wenn "wenn die Datei direkt ausgeführt wird (wenn die Datei durch einen Befehl ausgeführt wird usw.)". __ (Wenn Sie also name == '_ main_' festlegen, ist dies die Bedingung, wenn die Datei direkt ausgeführt wird.)

Implementierung einer handschriftlichen App zur Zeichenunterscheidung

Codebeschreibung

@app.route('/')
def hello_world():
    return render_template('index.html')

-HTML kann beim Zugriff auf die URL von @ app.route () mit __render_template ('HTML-Datei') __ wiedergegeben werden. -Die HTML-Datei muss zu diesem Zeitpunkt im Ordner templates abgelegt werden.

Rauer Fluss

#Listen Sie zunächst die zu klassifizierenden Klassen auf
classes = ["0","1","2","3","4","5","6","7","8","9","10"]
#Angeben der Bildgröße
image_size = 28
#Geben Sie den Ordner an, in dem das hochgeladene Bild gespeichert werden soll, und geben Sie die Erweiterung an, die das Hochladen ermöglichen soll
UPLOAD_FOLDER = "uploads"
ALLOWED_EXTENSIONS = set(['png','jpg','jpeg'])

#Instanziierung der Kolbenklasse
app = Flask(__name__)

#Beurteilung der Erweiterung des hochgeladenen Bildes
def allowed_file(filename):
    return '.' in filename and filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS

#Modell laden
model = load_model('./model.h5')

-Die Erweiterungsurteile "'.' In Dateiname" und "Dateiname.rsplit ('.', 1) [1] .lower () in ALLOWED_EXTENSIONS" sind bedingte Ausdrücke. Das Ergebnis der Richtigkeitsbeurteilung wird umgehend zurückgegeben.

• "'.' In Dateiname" hat "." Im Dateinamen oder "Dateiname.rsplit ('.', 1) [1] .lower () in ALLOWED_EXTENSIONS" hat "." Nach dem Dateinamen. Gibt an, ob es einer der "ALLOWED_EXTENSIONS" entspricht. Zu diesem Zeitpunkt trennt __ "rsplit" __ die Zeichenketten von der Rückseite.

Verarbeiten Sie hochgeladene Bilddateien auf der HTML-Seite

・ Auf der HTML-Seite erklärte ich, dass "・ Eingabeformular: __ \ \ </ form> __ (Bild mit Methode =" POST "hochladen)", aber hier werden die im Eingabeformular eingegebenen Daten empfangen. Siehe den Ablauf der Ausführung der Funktion.

@app.route('/', methods=['GET', 'POST'])
def upload_file():
    if request.method == 'POST':

-Wenn Sie \

#Was tun, wenn die Datei nicht vorhanden ist?
  if 'file' not in request.files:
            flash('Keine Datei')
            return redirect(request.url)
        file = request.files['file']
#Verarbeitung, wenn der Dateiname leer ist
        if file.filename == '':
            flash('Keine Datei')
            return redirect(request.url)

#Lesen Sie das empfangene Bild und konvertieren Sie es in das np-Format
            img = image.load_img(filepath, grayscale=True, target_size=(image_size,image_size))
            img = image.img_to_array(img)
            data = np.array([img])
#Übergeben Sie die transformierten Daten zur Vorhersage an das Modell
            result = model.predict(data)[0]
            predicted = result.argmax()
            pred_answer = "das ist" + classes[predicted] + "ist"

  return render_template("index.html",answer=pred_answer)