လက်ရှိတည်နေရာ: ပင်မစာမျက်နှာ> နောက်ဆုံးရဆောင်းပါးများစာရင်း> စက်ပစ္စည်းလေ့လာရေးပုံစံများကိုမည်သို့ဖြန့်ချိခြင်းနှင့် PHP ကို ​​သုံး. အွန်လိုင်း 0 န်ဆောင်မှုကိုမည်သို့အကောင်အထည်ဖော်ရမည်နည်း

စက်ပစ္စည်းလေ့လာရေးပုံစံများကိုမည်သို့ဖြန့်ချိခြင်းနှင့် PHP ကို ​​သုံး. အွန်လိုင်း 0 န်ဆောင်မှုကိုမည်သို့အကောင်အထည်ဖော်ရမည်နည်း

M66 2025-06-19

နိဒါန်း

အတုထောက်လှမ်းရေးအလျင်အမြန်ဖွံ့ဖြိုးတိုးတက်မှုနှင့်အတူစက်သင်ယူမှုမော်ဒယ်များ၏လျှောက်လွှာသည်လယ်ကွင်းအမျိုးမျိုးသို့ထိုးဖောက်ဝင်ရောက်ခဲ့သည်။ သို့သော် developer များအနေဖြင့်လေ့ကျင့်သင်ကြားထားသောစက်ကိုသင်ယူခြင်းပုံစံများကိုအွန်လိုင်းဝန်းကျင်သို့ထိရောက်စွာဖြန့်ချိနိုင်ပုံနှင့် 0 န်ဆောင်မှု ဦး စားပေးသည့် interfaces များကိုဖြန့်ချိရန်နှင့် 0 န်ဆောင်မှုပေးသည့် interfaces များမှာဆွေးနွေးရန်အတွက်မေးခွန်းတစ်ခုဖြစ်သည်။ PHP ပတ်ဝန်းကျင်တွင်စက်ပစ္စည်းသင်ယူခြင်းလုပ်ငန်းများကိုစက်သင်ယူမှုလုပ်ငန်းများအတွက်စက်ပစ္စည်းသင်ယူမှုပုံစံများကိုအကောင်အထည်ဖော်ရန် PHP ကိုမည်သို့အသုံးပြုရမည်ကိုဤဆောင်းပါးတွင်အသေးစိတ်ရှင်းပြပါမည်။

1 ။ ပတ်ဝန်းကျင်ဆောက်လုပ်ရေး

စက်ကိုသင်ယူခြင်းပုံစံများကိုအွန်လိုင်းဖြန့်ကျက်မှုနှင့် 0 န်ဆောင်မှုကိုသိရှိနိုင်ရန်အတွက် PHP Development Readity on ိုင်အဆောက်အအုံများတည်ဆောက်ရန်ပထမ ဦး ဆုံးလိုအပ်သည်။ PHP Code ကိုဒေသအလိုက်ရေးရန်နှင့်လည်ပတ်ရန်အတွက်ဒေသန္တရ PHP Development Aurware ကိုဖန်တီးရန် Xampp, Wampserver နှင့်အခြားကိရိယာများကိုသုံးနိုင်သည်။

2 ။ လေ့ကျင့်ထားသောစက်သင်ယူမှုပုံစံကိုပြင်ဆင်ပါ

အွန်လိုင်းဖြန့်ကျက်မှု 0 န်ဆောင်မှုကိုမတည်ဆောက်မီသင်လေ့ကျင့်ထားသောစက်သင်ယူမှုပုံစံကိုပြင်ဆင်ရန်လိုအပ်သည်။ ယေဘုယျအားဖြင့်မော်ဒယ်လေ့ကျင့်မှုကို Python ကဲ့သို့သောဘာသာစကားများသို့မဟုတ်မူဘောင်များမှတစ်ဆင့်လေ့ကျင့်ထားသောမော်ဒယ်ကိုဖိုင်ပုံစံဖြင့်သိမ်းဆည်းနိုင်သည်။ ဤဥပမာတွင်ကျွန်ုပ်တို့သည်ရိုးရှင်းသောပုံခွဲခြားမှုပုံစံကို အသုံးပြု. `` ဖိုင် format ကိုအသုံးပြုလိမ့်မည်။
TF အဖြစ် TSERFLOW တင်သွင်း
tensorflow.keras.models မှတင်ပြသည်
tensorflow.keras.layers မှတင်သွင်းသောသိပ်သည်းမှု, Conv2D, Maxpooling2D,
<h1>မော်ဒယ်တစ်ခုတည်ဆောက်ခြင်း</h1>
<p>မော်ဒယ် = sequential ()<br>
Model.add (Conv2D (32, 3), activation = &#39;relu&#39;, input_shape = (28, 28, 2, 1)))<br>
Model.add (Maxpooling2D ((2, 2)))<br>
Model.add (Flatten ())<br>
Model.add (သိပ်သည်း (10, activation = &#39;softmax&#39;))</p>
<h1>မော်ဒယ် compile</h1>
<p>Model.comPile (Optimizer = &#39;Adam&#39;, အရှုံး = &#39;catersication_crosentropy&#39;, မက်ထရစ် = [&#39;တိကျမှန်ကန်မှု&#39;])</p>
<h1>မော်ဒယ်လေ့ကျင့်ရေး</h1>
<p>...</p>
<h1>မော်ဒယ်ကိုသိမ်းဆည်းပါ</h1>
<p>Model.Save (&#39;Model.h5&#39;)<br>

3 ။ မော်ဒယ်ကိုတင်ရန် PHP ကိုသုံးပါ

PHP တွင်ကျွန်ုပ်တို့သည် Python လေ့ကျင့်ထားသောမော်ဒယ်များကိုတတိယပါတီစာကြည့်တိုက်များမှတဆင့် တင်. အသုံးပြုနိုင်သည်။ ဤတွင်ကျွန်ုပ်တို့သည် Tensorflow ကို 0 န်ဆောင်မှုပေးခြင်းအားဖြင့်စံနမူနာကိုမည်သို့တင်ရမည်ကိုမိတ်ဆက်ပေးပြီးခန့်မှန်းချက်အတွက် PHP ကိုအသုံးပြုသည်။

ပထမ ဦး စွာ PHP တွင် PHP extension ကို php extension ကို install လုပ်ရန်လိုအပ်သည်။ Composer ကိုအလွယ်တကူတပ်ဆင်နိုင်သည် -

တေးရေးဆရာသည် Tensorflow-abying-php လိုအပ်သည်

ထို့နောက် PHP script ကိုရေးပါ, မော်ဒယ်ကို load လုပ်ပြီးကြိုတင်ခန့်မှန်းခြင်းလုပ်ငန်းများလုပ်ဆောင်ခြင်း -

<?php
require 'vendor/autoload.php';
<p>tensorfredving_bredictrequest ကိုသုံးပါ။<br>
tensorflervingervingpressionStonsponse ကိုသုံးပါ။<br>
guasthttp \ client ကိုသုံးပါ။</p>
<p>// တောင်းဆိုမှုကိုဒေတာကိုသတ်မှတ်<br>
$ တောင်းဆိုမှု = အသစ်ခန့်မှန်းချက်အသစ် ();<br>
$ တောင်းဆိုချက် -> setmodelspecname (&#39;model&#39;);<br>
$ query-> setmodelspecsignaturename (&#39;serving_default&#39;);</p>
<p>// input ကိုဒေတာကိုပြောင်းလဲ<br>
$ input = [<br>
&#39;image&#39; => [<br>
&#39;B64&#39; = >> base64_entode (file_get_contents (&#39;image.jpg)))<br>
]<br>
];<br>
$ တောင်းဆိုချက် -> SetiTuts ($ input);</p>
<p>// တောင်းဆိုမှုကိုပေးပို့ပါ<br>
$ client = ဖောက်သည်အသစ် (Base_uri &#39;=>&#39; http: // localhost: 8501]));<br>
$ Response = $ client-> post (&#39;/ v1 / models / models / model)<br>
&#39;Headers&#39; => [&#39;Content-type-type&#39; => &#39;လျှောက်လွှာ / JSONS&#39;]],<br>
&#39;ခန္ဓာကိုယ်&#39; => $ တောင်းဆိုမှု -> Serializetostring ()<br>
]);</p>
<p>$ တုံ့ပြန်မှု = အသစ်ခန့်မှန်းချက် - $ Response-> GetBery () -> GetContents ());</p>
<p>// ခန့်မှန်းချက်ရလဒ်များကိုရယူပါ<br>
$ outputs = $ တုံ့ပြန်မှု -> getoutputs ();<br>
$ ခန့်မှန်း = ပြန်လည်စတင် ($ outputs) [&#39;floatval&#39;] [0];<br>

အထက်ပါကုဒ်တွင်ကျွန်ုပ်တို့သည် ခန့်မှန်းတွက်ချက်မှု ကို သတ်မှတ်. မော်ဒယ်အမည်နှင့်လက်မှတ်ကိုသတ်မှတ်သည်။ ထို့နောက်ကျွန်ုပ်တို့သည် input data များကိုစံပြလိုအပ်ချက်များကိုဖြည့်ဆည်းပေးပြီး Rest API interface ကိုဖြတ်သန်းရန်နှင့်နောက်ဆုံးတွင်ကြိုတင်ခန့်မှန်းထားသောရလဒ်များမှကြိုတင်ဟောကိန်းထုတ်ထားသောအချက်အလက်များကိုထုတ်ယူပါ။

4 ။ PHP scripts များကိုအွန်လိုင်းပတ်ဝန်းကျင်သို့ဖြန့်ကျက်ပါ

Model Loading နှင့်ခန့်မှန်းတွက်ချက်မှုလုပ်ငန်းများကိုပြီးစီးပြီးနောက် PHP script ကိုအွန်လိုင်းဝန်းကျင်သို့တပ်ဆင်ပြီးအခြားစနစ်ခေါ်ဆိုမှုများအတွက် web interface ကိုပေးနိုင်သည်။ အသုံးအများဆုံးဝက်ဘ်ဆာဗာများသည် Apache သို့မဟုတ် Nginx ကဲ့သို့သောဆာဗာဆာဗာများသည် PHP script ကိုဖြန့်ကျက်စေနိုင်သည်။

Ubuntu ဆာဗာတစ်ခုတွင် Apache ကိုထည့်သွင်းရန်နှင့်စတင်ရန်ဥပမာပညတ်တော်များမှာဤတွင်ဖော်ပြထားသည်။

sudo apt-get install Apache2
sudo 0 န်ဆောင်မှု Apache2 Start

PHP script ကို .php ဖိုင်တစ်ခုအနေဖြင့်သိမ်းဆည်းပါ။ ၎င်းကို Apache ၏ web root directory တွင်ထားပါ။ ထို့နောက်သင်သည် online pred ်ဌာန်းချက်ဆိုင်ရာကြိုတင်ခန့်မှန်းချက်များကိုတိကျသော URL များကိုရယူခြင်းဖြင့်ပြုလုပ်နိုင်သည်။

အကျဉ်းချုပ်:

ဤဆောင်းပါးသည်အွန်လိုင်းဖြန့်ကျက်ခြင်းနှင့်စက်ပစ္စည်းလေ့လာရေးပုံစံများကိုအွန်လိုင်းဖြန့်ကျက်ခြင်းနှင့် 0 န်ဆောင်မှုပေးရန် PHP ကိုမည်သို့အသုံးပြုရမည်ကိုအသေးစိတ်ဖော်ပြထားသည်။ PHP Development ပတ်ဝန်းကျင်ကိုတည်ဆောက်ခြင်းဖြင့်လေ့ကျင့်ထားသောမော်ဒယ်များကို အသုံးပြု. PHP ကိုအသုံးပြုခြင်းနှင့်ကြိုတင်ဟောကိန်းထုတ်ရန် PHP scripts ကို အသုံးပြု. PHP scripts များကိုအွန်လိုင်းဝန်းကျင်တွင်ပြုလုပ်နိုင်ပြီးပြင်ပစနစ်များကိုအလွယ်တကူ 0 န်ဆောင်မှုပေးနိုင်သည်။ ဤဆောင်းပါးသည် PHP ပတ်ဝန်းကျင်တွင်စက်များသင်ယူခြင်းမော်ဒယ်များကိုအောင်မြင်စွာဖြန့်ကျက်နိုင်ပြီးပိုမိုအားကောင်းသည့်လျှောက်လွှာလုပ်ဆောင်မှုများကိုအောင်မြင်စွာဖြန့်ဝေနိုင်အောင်ကူညီနိုင်သည်ဟုကျွန်ုပ်မျှော်လင့်ပါသည်။
ဆက်စပ်အကြောင်းအရာ