Nanodegree Engenheiro de Machine Learning

Projeto final

Leandro Humberto Vieira

11 de maio de 2018

Introdução

Este repositório contém os resultados do projeto final do NanoDegree Engenheiro de Machine Learning. O projeto consiste na criação de uma aplicação web que permite a classificação de imagens de roupas. Para uma explicação detalhada do problema e da solução, consultar o relatório de conclusão do projeto.

Estrutura do Projeto

• ML-Capstone-Project - Raiz do projeto

  • Docs - Documentação geral do projeto, contém os relatórios de proposta e conclusão e o readme do conjunto de dados utilizado

  • Images - Imagens utilizadas no relatório de conclusão

  • Notebooks - Contém os Python notebooks com o código utilizado para a arquitetura e treinamentos das redes neurais empregadas na solução

  • Source - Contém todo o código do Framework web Flask, utilizado para executar a interface web da aplicação

Instruções de uso

Importante: As instruções de uso descrevem os passos necessários para a execução do servidor no ambiente paperspace, utilizado para o desenvolvimento desta solução

1. Criação do ambiente

Para criar um ambiente no Paperspace é necessário criar uma conta de usuário, o cadastro pode ser feito utilizando o link abaixo:

• https://www.paperspace.com/&R=ZPF9F3P

Utilizando o meu link de referência para o cadastro te garante U$10 de crédito, o necessário para executar a aplicação deste projeto.

Após ter criado a conta no paperspace, deve-se criar uma instância para a execução do servidor, a instância utilizada na execução desde projeto é o public template fast.ai, equipado com uma Nvidia Quadro P4000. Criar uma instância com GPU requere uma etapa de aprovação do paperspace, então fica a critério a utilização de uma instância sem GPU, que pode ser criada instantâneamente. Para executar o servidor flask na instância, também é necessário a habilitação de um IP público para acessá-lo pela internet.

Para habilitar o IP público, basta clicar no checkbox correspodente no momento da criação da instância.

2. Configuração do Projeto

2.1 github

Após ter a instância em funcionamento, conecte ao servidor via SSH (o paperspace te envia um email com detalhes e senhas para fazê-lo) e baixe o projeto do github utilizando o comando:

git clone https://github.com/leandrohmvieira/ML-Capstone-Project.git

2.2 CUDA

Caso a instância iniciada seja uma instância com GPU, é necessária a instalação do NVIDIA CUDA 9.0 para a execução do tensorflow. Para instalar os drivers necessários, execute os comandos abaixo:

wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_9.0.176-1_amd64.deb
wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/libcudnn7_7.0.5.15-1+cuda9.0_amd64.deb
wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/libcudnn7-dev_7.0.5.15-1+cuda9.0_amd64.deb
wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/libnccl2_2.1.4-1+cuda9.0_amd64.deb
wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/libnccl-dev_2.1.4-1+cuda9.0_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1604_9.0.176-1_amd64.deb
sudo dpkg -i libcudnn7_7.0.5.15-1+cuda9.0_amd64.deb
sudo dpkg -i libcudnn7-dev_7.0.5.15-1+cuda9.0_amd64.deb
sudo dpkg -i libnccl2_2.1.4-1+cuda9.0_amd64.deb
sudo dpkg -i libnccl-dev_2.1.4-1+cuda9.0_amd64.deb
sudo apt-get update
sudo apt-get install cuda=9.0.176-1
sudo apt-get install libcudnn7-dev
sudo apt-get install libnccl-dev

Reinicie a instância e execute os comandos abaixo:

export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

Caso a instância não tenha GPU, este passo não é necessário, porém o arquivo requirements.txt deve ser alterado para o tensorflow comum.

2.3 Dependências

A solução desenvolvida usa uma série de pacotes Python, para realizar a instalação das bibliotecas navegue até a pasta Source e execute o comando:

pip install -r requirements.txt

2.4 Modelo de rede neural

Para o servidor web funcionar, é necessário que o modelo de rede neural seja baixado também, como ele é muito grande, o mesmo está hospedado em minha conta no google drive. Para baixá-lo, navegue para a pasta /Source/models e execute o comando:

python download_model.py 1YD2SH2xT0D4dMtI5kcnDWdT791x9YKbU basicCNN.h5

2.5 Porta web

A instância tem suas portas fechadas para acessos externos por padrão, como iremos executar o servidor flask na porta 5000, devemos abrir esta porta no sistema operacional para receber acessos externos. Para realizar esta operação, execute o comando:

sudo ufw allow 5000

3. Execução

Após todos os passos configurados, basta executar o servidor Python. Para isso navegue até a pasta Source e execute o comando:

python app.py

Se tudo ocorreu normalmente, em alguns segundos será possível acessar a aplicação pela internet através do endereço <ippublicodainstancia>:5000

4. Referências

Tutorial Keras rest api

Siraj - how to deploy a keras model to production

Repositório Siraj - how to deploy a keras model to production

Front-end Deep Learning Rest API

Installing CUDA 9.0 on Ubuntu 16.04