Yapay Zeka Konferansı (DeepCon'18) 5-6 Ekim’de Ankara’da

5-6 Ekim tarihlerinde Türkiye'nin en büyük yapay zeka topluluğu Deep Learning Türkiye tarafından, Bilgi Teknolojileri ve İletişim Kurumu (BTK) ve HAVELSAN iş birliğinde bu yıl ilki düzenlenecek olan DeepCon'18 Yapay Zeka Konferansı ile bu alanda çalışmakta olan akademi, özel sektör ve kamu aktörlerinin bir araya getirilmesi, yenilikçi ve ilgi çekici fikirlerin ortaya koyulması hedeflenmektedir.

Bilgi Teknolojileri ve İletişim Kurumu’nun ev sahipliği yaptığı DeepCon’18 etkinliğinin ilk gününde, alanında uzman isimlerin panel oturumlarına ve sunumlarına, ikinci gününde ise uygulamalı atölye çalışmalarına yer verilecektir.

Etkinlikte, finanstan savunmaya, sağlıktan bankacılığa kadar farklı pek çok sektörde yapay zekanın son teknolojideki gelişmeleri detaylıca incelenecek ve tartışılacaktır.

Etkinlik herkese açık ve ücretsizdir.

Konferans programı ve detaylı bilgi için http://deepcon.deeplearningturkiye.com/

Sponsorluk: deepcon2018@gmail.com

Derin Öğrenme Modellerini Kullanan Bir Web Uygulamasının Geliştirilmesi

Merhaba,
Bu yazımızda Keras ile eğitilen bir derin öğrenme modelini kullanmak ve test etmek için bir web uygulamasını nasıl geliştirip ücretsiz olarak host edebiliriz birlikte görelim.

Python Flask ile Web Uygulaması

Flask, Python tabanlı web uygulamaları geliştirebileceğiniz mikroçatı(microframework)’dır.

Öncelikle Flask'ı yükleyelim.

pip3 install Flask

Yeni bir app.py python dosyası oluşturalım ve aşağıdaki python kodlarını yazalım.

from flask import Flask

app = Flask(__name__)

@app.route("/")
def main():
    return "Merhaba Flask ;)"

if __name__ == "__main__":
    app.run()

 @app.route("/") ile  localhost:5000/ adresine istek gönderildiğinde ve def main(): fonksiyonu ile dönecek içerik için çağrılacak fonksiyon tanımlanıyor.

Terminalden oluşturduğumuz app.py kodumuzu çalıştıralım

python app.py

Terminalde Running on http://127.0.0.1:5000/ çıktısını gördüğümüzde tarayıcımızdan http://localhost:5000/ adresine gittiğimizde main() fonksiyonunda döndüğümüz string değerini göreceğiz.

Flask ile HTML Template Kullanma

Yeni bir templates klasörü açalım ve templates klasörü içerisine bir index.html dosyası oluşturalım ve aşağıdaki html kodlarını yazalım.

<!doctype html>
<html lang="en">
<head>
  <!-- Required meta tags -->
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1, shrink-to-fit=no">
  <!-- Bootstrap CSS -->
  <link rel="stylesheet" href="https://maxcdn.bootstrapcdn.com/bootstrap/4.0.0/css/bootstrap.min.css">
  <title>Merhaba Flask! Html demosu.</title>
</head>
<body>
  <div class="container">
    <div class="py-5 text-center">
      <h1>Merhaba Flask! Html demosu.</h1>

      <button type="submit" class="btn btn-primary">TEST</button>
    </div>
  </div>
  <!-- Optional JavaScript -->
  <!-- jQuery first, then Popper.js, then Bootstrap JS -->
  <script src="https://code.jquery.com/jquery-3.2.1.slim.min.js"></script>
  <script src="https://cdnjs.cloudflare.com/ajax/libs/popper.js/1.12.9/umd/popper.min.js"></script>
  <script src="https://maxcdn.bootstrapcdn.com/bootstrap/4.0.0/js/bootstrap.min.js"></script>
</body>
</html>

 

app.py python dosyamızda render_template paketini import edelim ve main() fonksiyonunu, yeni oluşturduğumuz index.html'i çağırması için aşağıdaki şekilde yeniden düzenliyoruz.

Terminalden yeniden app.py'yi çalıştırdığımızda aşağıdaki gibi html sayfasını göreceğiz.

 

Python Flask ile basit bir web uygulamasınu bu şekilde geliştirebilirsiniz.

Derin Öğrenme Web Uygulaması Geliştirme

Şimdi web uygulamamızı geliştirerek derin öğrenme modelini nasıl çalıştırabileceğimize bakalım.

Gerekli Keras paketlerini, resim sınıflandırma için kullanacağımız ağımız olan ResNet50 paketini ve ön işlemler için gerekli diğer paketleri ekleyelim.

from keras.applications import ResNet50
from keras.preprocessing.image import img_to_array
from keras.applications import imagenet_utils
from PIL import Image
import numpy as np
from flask import Flask, render_template, request, jsonify, send_from_directory
import io
import werkzeug
import datetime
import os

Resim sınıflandırma için ImageNet veriseti ile eğitilmiş modelimizi ve ağırlık dosyalarını yükleyelim.

model = ResNet50(weights="imagenet")

Form post metodu ile gönderilen resim dosyasını modelin uygun giriş formata getiren bazı ön işlemler uygulandıktan sonra modele gönderilip tahmin (prediction) sonucunun alındığı ve json formatında geri döndürdüğümüz predict() fonksiyonunu aşağıdaki gibi tanımlayalım.

@app.route("/predict", methods=["POST"])
def predict():
	# initialize the data dictionary that will be returned from the
	# view
	data = {"success": False}

	# ensure an image was properly uploaded to our endpoint
	if request.method == "POST" and request.files['image']:
		imagefile = request.files["image"].read()
		image = Image.open(io.BytesIO(imagefile))


		# preprocess the image and prepare it for classification
		image = prepare_image(image, target=(224, 224))

		# classify the input image and then initialize the list
		# of predictions to return to the client
		preds = model.predict(image)
		results = imagenet_utils.decode_predictions(preds)
		data["predictions"] = []

		# loop over the results and add them to the list of
		# returned predictions
		for (imagenetID, label, prob) in results[0]:
			r = {"label": label, "probability": float(prob)}
			data["predictions"].append(r)

		# indicate that the request was a success
		data["success"] = True

		print(data)

	# return the data dictionary as a JSON response
	return jsonify(data)

 

Son olarak geriye kalan bu servisi başlatmak.

if __name__ == "__main__":
	print("START FLASK")

	port = int(os.environ.get('PORT', 5000))
	app.run(host='0.0.0.0', port=port)

 

Uygulamamızın bu hali ile bir REST API olarak kullanabilir durumdayız.

Terminalden uygulamamızı çalıştırdıktan sonra başka bir terminalden http://0.0.0.0:5000/predict adresine örnek bir resmimizi curl ile post ediyoruz.
Örnek olarak amerikan papağını resmini sınıflandırmaya çalışalım:

Aşağıdaki gibi göndermiş olduğumuz resim modelde sınıflandırarak json sonucunu bize dönüyor.
Sonuçlar arasında en yüksek oranla %99 macaw olarak sınıflandırma yaptığını görüyoruz.


Şimdi ise yazmış olduğumuz API'yi kullanarak web arayüzünden bir resim dosyayı seçerek sınıflandırmayı gerçekleştirelim.

Bunun için index.html sayfamıza kullanıcının resim yükleyebilmesi için bir form ve dosya yükleme elementleri ekleyelim.

				<form id="upload-file" method="post" enctype="multipart/form-data">
					<div class="form-group">
						<label for="InputFile">Resim Dosyası:</label>
						<input name="image" type="file" class="form-control-file" id="InputFile" aria-describedby="fileHelp">
						<small id="fileHelp" class="form-text text-muted">Tanımak istediğiniz resmi bilgisayarınızdan seçiniz</small>
					</div>

					<button id="upload-file-btn" type="button" class="btn btn-primary">Gönder</button>
				</form>

 

Kullanıcı dosya yükleme elementi ile resim dosyasını seçtikten sonra 'Gönder' buttonuna tıklandığında, jquery ajax ile seçilen dosyayı app.py python kodunda tanımladığımız predict() fonksiyonunu çağıran REST API'mize POST isteği gönderelim.

		$('#upload-file-btn').click(function () {
			$('.loader').show();
			$("#results").html('');

			var form_data = new FormData($('#upload-file')[0]);
			$.ajax({
				type: 'POST',
				url: '/predict',
				data: form_data,
				contentType: false,
				cache: false,
				processData: false,
				async: false,
				success: function (data) {
					console.log(data.success);

					$('.loader').hide();

					$.each(data.predictions, function (i, item) {
						console.log(item);
						label = item["label"];
						prob = item["probability"].toFixed(2);
						percent = prob * 100;

						$("#results").append('<label>' + percent + '% ' + label + '</label><div class="progress"><div class="progress-bar" role="progressbar" aria-valuenow="' + percent + '" aria-valuemin="0" aria-valuemax="100" style="width:' + percent + '%"></div></div>');
					});
				},
			});
		});

 

Uygulamanın tüm kaynak kodlarına buradan ulaşabilirsiniz.
Kaynak kodları Keras kütüphanesi yüklü bir bilgisayara indirerek çalıştırabilir veya online şekilde yayınlamak isterseniz yazıyı okumaya devam edebilirsiniz.

Web Uygulamasını Heroku Üzerinde Yayınlama

Heroku, birçok dil desteği olan, uygulama alt yapısı sağlayan bir bulut platformudur.

Heroku’ya uygun düzenlemeleri yapmak ve kendiniz heroku uygulaması oluşturmak isterseniz gerekli adımları Sıddık Açıl’ın aşağıdaki buradaki yazısına göz atabilirsiniz.

Veya herhangi bir işlem yapmadan Heroku üzerinden bir hesap oluşturarak bu uygulamaya özel olarak hazırladığım aşağıdaki button ile tek tıkla kendi heroku hesabınız altında hızlıca yayına alabilirsiniz.

Görüşlerinizi aşağıdaki yorum bölümüne yazabilirsiniz.
Sorularınızı Türkiye’nin yapay zeka alanındaki tek soru&cevap platformu olan Deep Learning Türkiye’nin Soru&Cevap Sitesi’nde sorabilirsiniz.

Kaynaklar:

 

[HATA ÇÖZÜMÜ] Heroku için Uzaktan MySQL Kullanımı

Merhaba,
Heroku üzerindeki bir uygulamanız için kendi veritabanınıza uzaktan erişim sağlamak için;
Veritabanınızın bulunduğu hostingin cPanel'inde "Remote MySQL (MYSQL Uzaktan Erişim)" bölümüne giriniz.
Burada veritabına erişim sağlayacak IP listesine, Heroku'daki uygulamanız AWS üzerinde barındırıldığından %.compute-1.amazonaws.com şeklinde AWS adresini ekleyiniz.

Bu sayede Heroku'dan uzak veritabanına erişim yetkisi aşılmış olacak.

 

Coursera Programlama Ödevlerini Kendi Bilgisayarınıza İndirme ve Çalıştırma

Merhaba,
Coursera üzerindeki deeplearning.ai derslerinin 'Programming Assignments' jupyter notebook'larını indirip kendi bilgisayarımızda çalıştırmak istediğimizde sadece üzerinde çalışılan .ipynb dosyasını indirmeniz yeterli olmuyor. Çalışma dosyasında kullanılan kütüphane dosyaları ve diğer ek resim, video vs dosyalarını da indirmek gerekiyor.

Coursera Üzerinden İndirme

  • Bir kursun tüm haftalardaki içerikleri tek seferde indirmek için herhangi bir haftanın 'Programming Assignments' bölümündeki bir jupyter notebook'u açalım.
  • Jupyter notebook'un File menüsü altında Open seçeneğine tıklayarak Coursera'nın açtığınız çalışma dosyasının bulunduğu dosya listesine gidelim.

  • Dosya listesinde, navigasyondan en baştaki klasör ikonuna tıklayarak, haftadan da önceki en dış '/tree' konumuna gidiyoruz.

  • En dış klasör altında New menüsünden Python3 seçeneğini tıklayarak yeni bir notebook açıyoruz.

  • Yeni açtığımız notebook içerisine code bloğuna !tar cvfz c5allweek.tar.gz * komutunu yazarak Shift+Enter kısayoluyla veya Run Cell seçeneği ile çalıştıralım.
  • Bu komut, bulunduğu klasör altındaki tüm haftaların ve onların altındaki tüm dosyaları c5allweek.tar.gz sıkıştırılmış dosyası olarak kaydedecektir.

  • Komut çalışma işlemi tamamlandıktan sonra yine File menüsü altından Open seçeneği ile dosya listesine gidelim.
  • Dosya listesinde c5allweek.tar.gz isminde sıkıştırılmış dosyanın oluştuğunu göreceğiz.
  • Listeden bu dosyayı işaretleyerek Download buttonu ile kendi bilgisayarımıza indirelim.

Bilgisayarınızda Çalıştırma

  • Bilgisayarımıza indirdiğimiz c5allweek.tar.gz dosyasını terminalden aşağıdaki komut yardımı ile sıkıştırılmış dosyadan çıkartalım.
tar xvzf c5allweek.tar.gz
  • Terminalden sıkıştırılmış dosyadan çıkarttığımız c5allweek klasörü altına gidelim ve jupyter notebook veya jupyter lab komutu ile bulunduğumuz klasörü ana klasör kabul edecek şekilde jupyter'i başlatalım.
  • Kendi bilgisayarınızda çalışmak için herşey hazır :) Kolay gelsin.

Resmi büyütmek için tıklayınız