文中带有大量链接，点击阅读原文，查看文中所附资源
阅读本教程后，你将能够独立构建一个用于图像分类的 Serverless 应用，比如这个能识别食物的网页 。你也可以在腾讯云上试试更多 TensorFlow 函数。
人工智能（AI）正在改变我们的生活。但是，AI 应用所需要的，远远不止算法、数据科学和大数据训练模型。据估计，在生产环境中，95% 的人工智能计算都是用于推理的。使用人工智能推理服务的最佳平台是公共云或边缘云 ，因为云能够提供丰富的计算能力、高效安全的模型管理，以及更快的 5G 互联网连接。
把 AI 模型放到云上的生产环境，比如腾讯云，我们有几种方法。
- 你可以启动一个虚拟机服务器，并使用 TensorFlow Server 等工具运行 AI 模型。这种 DIY 方法需要对人工智能和操作系统都有深入的操作知识，而且通常相当昂贵，因为你需要为闲置资源付费。
- 你也可以使用公有云的 AI SaaS 服务上传自己的模型，然后使用 web UI 或 API 上传数据进行推理。这很容易，但不太灵活。会受到 SaaS 所支持的模型、配置和数据预处理/后处理的种类的限制。
但是对于大多数开发者来说，在自己的应用程序中使用 AI 推理需要灵活性与易用性兼备。也就是说，大部分的应用需求介于 DIY 和 AI SaaS 之间。这是为什么在生产环境中部署 AI 模型是一件很有挑战的事。
大多数开发者只是想编写几行代码来加载他们自己的人工智能模型，然后根据模型需求准备数据输入和输出。这就是 TensorFlow Serverless 函数的用武之地。它让我们方便快速地将 AI 模型用在 web 应用中。现在让我们开始吧！
腾讯云 Serverless 上的 Second State TensorFlow 函数可以用非常简单的 Rust 语法写。如果你有兴趣了解 Rust 是什么 (Rust 是 Stackoverflow 过去四年来最受欢迎的编程语言) ，现在你的机会来了，请继续阅读这个教程，几分钟就可以编写和发布一个 Rust 函数，并进行 AI 推理！
快速启动
确保安装了 Serverless Framework。Clone 或 fork 下面的 Github 或 Gitee repo：
- 国际访问 GitHub 页面: https://Github.com/second-state/tencent-TensorFlow-scf/
- 国内访问 Gitee 页面: https://Gitee.com/secondstate/tencent-TensorFlow-scf/
从 repo 的根目录中，运行 sls deploy 命令来构建和部署整个应用。
$ sls deploy ... ... website: https://sls-website-ap-hongkong-kfdilz-1302315972.cos-website.ap-hongkong.myzijiebao.com vendorMessage: null 63s › tencent-TensorFlow-scf › "deploy" ran for 3 apps successfully.在浏览器中加载部署得到的网址，就可以使用这个函数来识别上传图片中的食物了。
接下来，我们将展示如何更改源代码，从而可以让你为自己的 AI 模型创建 TensorFlow 函数。
安装工具
按照这些简单的指引安装 Rust 和 ssvmup。
Serverless 的 TensorFlow 函数
我们的 Serverless 函数是用 Rust 编写的，并编译为 WebAssembly。Rust 函数负责繁重的数据准备和模型准备工作。这两个任务都高度依赖于函数的实际使用场景。然后调用 API 来执行 TensorFlow 模型，并分析模型的返回值。
下面是函数源代码的注释版本。注释解释了这个函数执行的7个步骤。在步骤 # 1和 # 2中，我们加载了一个基于食物照片数据集训练的 MobileNet 模型。你可以加载自己重新训练(或微调)的 MobileNet 模型文件及其相应的分类标签文件。
fn main() { //1.加载训练好的 TensorFlow lite 模型。 let model_data: &[u8] = include_bytes!("lite-model_aiy_vision_classifier_food_V1_1.tflite"); //2. 加载与模型相对应的分类标签文件。 //注：模型输出是一系列数字。标签文件会将这些编号(即行号)映射至食物分类的实际文字描述。 let labels = include_str!("aiy_food_V1_labelmap.txt"); //3. 上传图像的格式是 base64 编码，并通过腾讯云 API 网关封装在 JSON 对象中。 let mut buffer = String::new(); io::stdin().read_to_string(&mut buffer).expect("Error reading from STDIN"); let obj: FaasInput = serde_json::from_str(&buffer).unwrap(); let img_buf = base64::decode_config(&(obj.body), base64::STANDARD).unwrap(); //4.加载上传图像并将其调整为192x192，这是这个 MobileNet 模型所需的尺寸。 let flat_img = ssvm_TensorFlow_interface::load_jpg_image_to_rgb8(&img_buf, 192, 192); //5. 用图像作为输入张量运行模型，并获取模型输出张量。 //5.1 初始化模型，并将模型类型指定为 TensorFlow Lite。 let mut session = ssvm_TensorFlow_interface::Session::new(&model_data, ssvm_TensorFlow_interface::ModelType::TensorFlowLite); //5.2 指定模型的输入张量名称、数据和形状，以及输出张量名称。支持多个输入和输出张量。运行该模型。 session.add_input("input", &flat_img, &[1, 192, 192, 3]) .run(); let res_vec: Vec<u8> = session.get_output("MobilenetV1/Predictions/Softmax"); //6. res_vec 向量中的每个数字对应标签文件中每一行标签的概率。 //6.1 找出最高的概率... //6.2 把概率翻译成文本... //6.3 查找相应的标签文本... //7. 文本标签和概率通过 STDOUT 返回给函数的调用者。 let class_name = label_lines.next().unwrap().to_string(); println!("上传的图片里面{} <a href='https://www.google.com/search?q={}'>{}</a>", confidence.to_string(), class_name, class_name);}步骤 # 3 与 # 4准备模型和图像数据。#5 调用 API 来执行 TensorFlow 模型，并处理返回的张量，把张量转化为概率数组。在 # 6和 # 7中，Serverless 函数通过概率数组找到图像的标签，并输出结果。
Web UI
这篇教程的开发者模板中包含一个静态网页，展示了如何从 JavaScript 调用 Serverless 函数。网页用 JavaScript AJAX 上传一个图片文件。在提交到腾讯云的 API 网关之前，图像数据被编码成 base64。AJAX 收到的响应是 Serverless 函数的输出，也就是从图片推理的 MobileNet 的分类标签和自信程度。
function callServerlessFunction () { var reader = new FileReader(); reader.readAsDataURL(document.querySelector('#select_file').files[0]); reader.onloadend = function () { $.ajax({ url: window.env.API_URL, type: "post", data : reader.result.split("base64,")[1], dataType: "text", success: function (data) { document.querySelector('#msg').innerHTML = data; }, error: function(jqXHR, exception){ document.querySelector('#msg').innerHTML = '服务繁忙，请稍后重试'; } }); }; return false;}在我们的这个示例中，Web UI 与后端的 Serverless 函数完全分离。事实上，我们还可以通过 CDN 、去中心化存储、甚至作为本地文件分发这个静态网页，它仍然会工作。这种设计模式称为 Jamstack 应用程序。
部署
到这一步，你已经知道了怎么更新 Serverless 函数来使用自己的 TensorFlow 模型，以及 index.html 中的相应 UI 来反映新模型的功能。是时候部署你的应用了。
首先使用 ssvmup 工具来编译 Rust 函数。
$ ssvmup build --enable-aot然后将构建结果 scf.so 文件复制到模版目录中。
$ cp pkg/scf.so scf/最后，使用 Serverless Framework 部署整个应用，包括 Serverless 函数和 Web UI。你可以编辑 .env 文件来指定应用程序的可用区域。
$ sls deploy按照屏幕上的说明登录腾讯云并给予许可。最后，你会得到一个 Web UI 的 URL。跳转这个 URL 来试试看你的 AI Serverless 应用吧！
相关链接：
- TensorFlow 函数demo： http://secondstate.info/tencent/
- 腾讯云 Serverless 上的 AI 推理模板: https://Github.com/second-state/tencent-TensorFlow-scf/
- 国内镜像： https://Gitee.com/secondstate/tencent-TensorFlow-scf/
- 腾讯云 Serverless： https://cloud.tencent.com/product/scf
One More Thing
立即体验腾讯云 Serverless Demo，获取 Serverless 新用户礼包，请在 PC 端访问： serverless.cloud.tencent.com/start?c=wx
欢迎进入千人 QQ 群 (537539545) 交流！
- GitHub: github.com/serverless
- 官网: cloud.tencent.com/product/serverless-catalog
点击「阅读原文」查看文章所附资源！
