【第1回】ResponderとKerasを使って機械学習Webアプリケーションを作ってみた【大枠作成編】
2020.08.20
目次
第1回～ResponderとKerasで機械学習アプリケーションを作りたい！～
今、人気に火が着きつつある Python の WebAPIフレームワーク「Responder（レスポンダー）」。
以前、ライトコードでも流行りに全力で乗っかり「Responderを使ってDjangoチュートリアルをやってみた」という連載記事を行いました。
ResponderとKerasを使って機械学習Webアプリケーションを作ってみる！
今回から始まる連載は「ResponderとKerasを使って機械学習Webアプリケーションを作ってみた」です！
なぜこのような連載を始めたかというと、３つ理由があります。
- Responderが面白く、他にもWebアプリを作ってみたい！
- Responderの非同期処理を使ってみたい！
- せっかくのPythonのフレームワークなので機械学習と組み合わせたい！
特に、2番目の「非同期処理」については「Responderを使ってDjangoチュートリアルをやってみた」の連載では紹介しきれませんでした。
連載終了後、「機械学習と相性が良いのでは！？」と思い立ち、「Responder」と「機械学習」を絡めた記事を書くことを決めました。
簡単なアプリケーションではありますが、Responderのさらに詳しい使い方が分かっていただける記事になるはずです！
こちらの記事もオススメ！
実装環境
- Webアプリケーション部分は、「Responder」
- 機械学習フレームワークは、「Keras」
Responder は Webアプリケーション部分、機械学習フレームワークは Keras を使います。
なお、本記事では、以下の環境で実装をしています。
| Python | 3.7.4 |
| Responder | 1.3.2 |
| Keras | 2.2.4 |
この記事の完成品
今回の連載で「どんなWebアプリケーションが完成するのか？」を、簡単にお見せしておきたいと思います。
トップページ
トップページでは、学習させるタスク（データセット）を選択します。
ネットワーク作成ページ
データセットを選択したら、ユーザがネットワークを自由に作成します。
また、ちょっとしたパラメータも指定できるようにします。
以下のように、層を ある程度自由に追加できます。
ネットワークを学習させる
作成したネットワークをバックグラウンド（重要！）で学習させます。
結果を表示する
学習が終了したら、学習結果ページに移行させます。
そのページでは、学習遷移などが確認できます。
アプリを作成手順
それでは早速、作業に取り掛かってまいりましょう！
手順
アプリ作成は、以下の手順で進めていきます。
- Responderの大枠作成
- トップページのデザインの作成
- ネットワーク作成ページの作成
- バックグラウンドタスク(学習部)の作成
- 学習結果ページの作成
それでは、順番にいきます。
Responderの大枠作成
まずはじめに、Responderのファイル構成などを決めてしまいます。
Responderでは、サーバー立ち上げもルーティングも1つのファイルでやろうと思えばできるのですが、それだと後々管理が困難になります。
ですので、Djangoのように用途によってファイルを分けたいと思います。
サーバー立ち上げ用 - run.py
これは、今後いじることはありません。
サーバーの立ち上げのみ担います。
1 2 3 4 5 6 7 8 9 | """ run.py サーバ立ち上げ用ファイル """ from urls import api if __name__ == '__main__': api.run() |
ルーティング用 - urls.py
このファイルに、「ルーティング処理」を記述していきます。
が、ここにはURLを受け取ったときの処理は書きません。
この後に説明する、コントローラに処理を投げます。
Responderは通常、 @api.route() デコレータでルーティングをします。
しかし、今回は処理を分けるために api.add_route('URL', classなど) を使います。
1 2 3 4 5 6 7 8 9 10 | """ urls.py ここではURLとコントローラのルーティング、およびJinja2のフィルタ設定を行う。 """ from controllers import * # ルーティング api.add_route('/', IndexController) |
ルーティング処理用 - controller.py
先ほどの api.add_route() で追加されたURLの処理を書くファイルです。
また、ここで Responder の APIインスタンスを作成します。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | """ controllers.py ResponderAPIを生成し、コントローラを管理するファイル。 """ import responder api = responder.API( title='Let\'s Learn Machine Learning', openapi='3.0.2', description='Web上で機械学習を学ぼう！', version='Beta', ) class IndexController: async def on_get(self, req, resp): title = 'ResponderとKerasで学ぶ機械学習アプリケーション' resp.html = api.template('index.html', title=title) |
これで、Responder-Webアプリケーションの大枠が完成です。
それでは試しに、全体レイアウトの「 templates/layout.html 」と、トップページデザインの「 templates/index.html 」を作りましょう。
全体のレイアウト - layout.html
今回もデザインには、Bootstrap4 を用います。
【参考】
はじめに - Bootstrap 4.3 - 日本語リファレンス
各コントローラから、ページタイトルを受け取る仕様にしてみます。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 | <!DOCTYPE html> <html lang="ja"> <head> <link rel="stylesheet" href="https://stackpath.bootstrapcdn.com/bootstrap/4.3.1/css/bootstrap.min.css" integrity="sha384-ggOyR0iXCbMQv3Xipma34MD+dH/1fQ784/j6cY/iJTQUOhcWr7x9JvoRxT2MZw1T" crossorigin="anonymous"> <meta charset="UTF-8"> <title>ResKeras | {{title}}</title> </head> <body> <div style="display: flex; flex-direction: column; min-height: 80vh"> <div class="container"> {% block content %} <!-- メインコンテンツ --> {% endblock %} </div> </div> <br> <hr> <footer> <div align="center"> <p>Copyright © RightCode Inc. All right reserves.</p> <p>Powered by Responder and Keras</p> </div> </footer> </body> </html> |
このファイルは、もういじることはありません。
トップページ - index.html
それでは、トップページを適当に作ります。
1 2 3 4 5 6 7 8 9 10 11 12 13 | {% extends "layout.html" %} {% block content %} <br> <h1>ResKeras</h1> <p> - ResponderとKerasで学ぶ機械学習アプリケーション - </p> <hr> <br> <br> <p>Web上で気軽に機械学習を学ぼう！</p> <p>まずは以下から学習させたいタスクを選択しましょう。</p> {% endblock %} |
まだ質素なページですが、ここで動作確認をしてみましょう。
動作確認
1 | $ python run.py |
http://127.0.0.1:5042 にアクセスしてみます。
うまく動作していそうです。
Jinja2にフィルタを追加してみる
トップページに情報を書き加えていきます。
が、その前に、htmlファイルがスッキリするように、Jinja2 のフィルタ機能を活用してみます。
ちなみに、Jinja2とは先程の、htmlファイルでいう {{ }} や {% %} に囲まれた部分がJinja2が処理する部分で、htmlを生成してくれるテンプレートエンジンです。
Jinja2環境設定用ファイル - jinja_env.py
Jinja2のフィルタは、「 jinja_env.py 」というファイルで定義します。
とりあえずは、以下のように書いておきます。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 | """ jinja_env.py Jinja2のフィルタを定義する """ def static_filter(path): return '/static/' + path def image_filter(path): return '/static/images/' + path def css_filter(path): return '/static/css/' + path def script_filter(path): return '/static/script/' + path def badge_filter(text): return '<span class="badge badge-secondary">' + text + '</span>' def badge_active_filter(text): return '<span class="badge badge-primary">' + text + '</span>' |
urls.pyでフィルタを登録
次に、urls.py に以下を追記します。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | import jinja_env # 追記部分 from controllers import * # 以下追記部分 ... フィルタを辞書に登録 api.jinja_env.filters.update( static=jinja_env.static_filter, image=jinja_env.image_filter, css=jinja_env.css_filter, script=jinja_env.script_filter, badge=jinja_env.badge_filter, badge_active=jinja_env.badge_active_filter, ) # ルーティング api.add_route('/', IndexController) |
そうすると、テンプレート側では、 '/static/images/image.png' と書いていたところを、 {{ 'image.png' | image }} のように、パイプでスッキリ書けます。
これで管理のしやすさも向上しました。
バッジ
また、ついでに「バッジ」もフィルタに登録しました。
これは
1 2 3 4 5 6 | {% autoescape false %} {{ 'データセットを選択' | badge_active }} {{ 'ネットワークを作成' | badge }} {{ '学習' | badge }} {{ '結果' | badge }} {% endautoescape %} |
と書くと、以下のように表示されます。
ちょっとしたオシャレ要素です（笑）
ここで {% autoescape false %} をつけないと、うまく表示されません。（一度消してみるとどうなるか分かります）
トップページを完成させる
では、トップページを完成させましょう。
役割としては、ユーザに「データセット」を選ばせるページなので、使うデータセットの情報を表示し、選択されたデータセットに対応したネットワーク作成ページにリンクさせます。
そのため、こんな感じにしてみました。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 | {% extends "layout.html" %} {% block content %} <br> <h1>ResKeras</h1> <p> - ResponderとKerasで学ぶ機械学習アプリケーション - </p> <hr> {% autoescape false %} {{ 'データセットを選択' | badge_active }} {{ 'ネットワークを作成' | badge }} {{ '学習' | badge }} {{ '結果' | badge }} {% endautoescape %} <br> <br> <p>Web上で気軽に機械学習を学ぼう！</p> <p>まずは以下から学習させたいタスクを選択しましょう。</p> <div class="row"> <div class="col-md-4"> <div class="card bg-dark text-white"> <div class="card-header"> <a href="/create/mnist">MNIST Dataset</a> </div> <div class="card-body"> <a href="/create/mnist"><img src="{{ 'mnist.png' | image }}" width="100%"></a> </div> <div class="card-footer"> <p> タスク : 画像分類<br> 入力 : 28x28のグレースケール画像<br> ラベル : 0~9 (欠損なし)<br> データ : 計70000枚<br> 特徴 : 簡易画像分類ベンチマーク </p> <p>配布元 : <a href="http://yann.lecun.com/exdb/mnist/">THE MNIST DATABAE</a></p> </div> </div> </div> <div class="col-md-4"> <div class="card bg-dark text-white"> <div class="card-header"> <a href="/create/iris">UCI Iris Dataset</a> </div> <div class="card-body"> <a href="/create/iris"><img src="{{ 'iris.png' | image }}" width="100%"></a> </div> <div class="card-footer"> <p> タスク : 単純クラス分類<br> 入力 : 4次元の実数値 <br> [sepal length, sepal width, petal length, petal width]<br> ラベル : 3クラス <br> [iris-setosa, iris-versicolour, iris-virginica]<br> データ : 計150枚<br> 特徴 : 簡易・軽量多クラス分類ベンチマーク </p> <p>配布元 : <a href="https://archive.ics.uci.edu/ml/datasets/iris">UCI Machine Learning Repository: Iris Data Set</a></p> </div> </div> </div> <div class="col-md-4"> <div class="card bg-dark text-white"> <div class="card-header"> <a href="/create/wine">UCI Wine Dataset</a> </div> <div class="card-body"> <a href="/create/wine"><img src="{{ 'wine.png' | image }}" width="100%"></a> </div> <div class="card-footer"> <p> タスク : 単純クラス分類<br> 入力 : 13次元の実数値 <br> 1) Alcohol <br> 2) Malic acid <br> 3) Ash <br> 4) Alcalinity of ash <br> 5) Magnesium <br> 6) Total phenols <br> 7) Flavanoids <br> 8) Nonflavanoid phenols <br> 9) Proanthocyanins <br> 10)Color intensity <br> 11)Hue <br> 12)OD280/OD315 of diluted wines <br> 13)Proline<br> ラベル : 3クラス (品種)<br> データ : 計178枚<br> 特徴 : 簡易・軽量多クラス分類ベンチマーク </p> <p>配布元 : <a href="https://archive.ics.uci.edu/ml/datasets/wine">UCI Machine Learning Repository: Wine Data Set</a></p> </div> </div> </div> </div> {% endblock %} |
長々としたコードですが、大したことは書いていません。
最初に見せたトップページのデザインになります。
ネットワーク作成URLは、http://127.0.0.1:5042/create/mnist といった http://127.0.0.1:5042/create/{dataset} とします。
新たにルーティング
したがって、「 urls.py 」に新たに、以下を記述しましょう。
1 | api.add_route('/create/{dataset}', CreateController) |
そうしたら、controllers.py に class CreateController を作れば、ルーティング完了です。
その実装は、次の記事にて！
第2回へ続く！
今回から新たに「Responder で機械学習アプリを作る」という短い連載がスタートしました。
最初に書いたように、「Responder の非同期処理を如何にうまく利用するか」が重要なアプリケーションです。
筆者も非同期処理には、少し格闘しながら作成したのですが、これがなかなか思うようにいかず…。
そんな「苦労」と「発見」を読者のみなさまと共有できたらと思っています（笑）
それでは、第2回でまたお会いしましょう！
なお、ResponderとKerasについての開発依頼・お見積もりはこちらまでお願いします。
第2回はこちら！
こちらの記事もオススメ！
Kerasのオススメ本
ライトコードよりお知らせ
にゃんこ師匠
ミツオカにゃんこ師匠ミツオカにゃんこ師匠ミツオカ一緒に働いてくれる仲間を募集しております！
ライトコードでは、仲間を募集しております！
当社のモットーは「好きなことを仕事にするエンジニア集団」「エンジニアによるエンジニアのための会社」。エンジニアであるあなたの「やってみたいこと」を全力で応援する会社です。
また、ライトコードは現在、急成長中！だからこそ、あなたにお任せしたいやりがいのあるお仕事は沢山あります。「コアメンバー」として活躍してくれる、あなたからのご応募をお待ちしております！
なお、ご応募の前に、「話しだけ聞いてみたい」「社内の雰囲気を知りたい」という方はこちらをご覧ください。
ライトコードでは一緒に働いていただける方を募集しております！
採用情報はこちら書いた人はこんな人
関連記事
採用情報
\ あの有名サービスに参画!? /
バックエンドエンジニア
\ クリエイティブの最前線 /
フロントエンドエンジニア
\ 世界はお前の手の中に・・・ /
モバイルエンジニア
\ サービスの守り神！ /
インフラエンジニア
