微軟在net core開始使用OWIN[1]，使用Host/Server/Middleware/Application 分層架構，讓服務可以不侷限在IIS上面，將前端Request / Response 是由 Middleware 方式處理。
中介軟體是介於作業系統及其中執行應用程式之間的軟體，讓通訊及資料管理得以進行。中介軟體為組成應用程式管線的軟體，用以處理要求與回應。 每個元件：[2]
Middleware由多個管線所組成，會一個個串接相連，先由Request由上往下執行，Response會再回傳回來．
官方圖式說明
Middleware使用IApplicationBuilder擴充方法，串接Request/Respone
Run最後一個呼叫，不會有next()，後面還有pipe也不會執行，以下範例只會出現Hellow World不會有執行第二段的Run
public void Configure(IApplicationBuilder app, IWebHostEnvironment env)
{
if (env.IsDevelopment())
{
app.UseDeveloperExceptionPage();
}
app.Run(async (HttpContext context) =>
{
await context.Response.WriteAsync("Hellow World");
});
//不會執行
app.Run(async (HttpContext context) =>
{
await context.Response.WriteAsync("Hellow World2");
});
}Use用來自訂Middleware的方法並多個要求委派鏈結在一起，只要透過next()就可以直接呼叫下一個middleware．他的呼叫方式有點像遞迴的方式呼叫．如果執行中出現next()調至下一個Use直到找到Run()執行後，才會返回呼叫．
app.Use(async(context,next) =>
{
await context.Response.WriteAsync("Normal Page 2 Starting\r\n");
await next();
await context.Response.WriteAsync("Normal Page 2 Ending\r\n");
});
app.Use(async (context, next) =>
{
await context.Response.WriteAsync("Normal Page 3 Starting\r\n");
await next();
await context.Response.WriteAsync("Normal Page 3 Ending\r\n");
});
//此步驟必須有才會有返回call呼叫
app.Run(async (HttpContext context) =>
{
await context.Response.WriteAsync("Run ==> 有Run才會返回Ending的工作\r\n");
});結果：
Normal Page 1 Starting
Normal Page 2 Starting
Normal Page 3 Starting
Run ==> 有Run才會返回Ending的工作
Normal Page 3 Ending
Normal Page 2 Ending
Normal Page 1 Ending
Map會依據指定要求路徑的相符項目將要求管線分支。 如果要求路徑以指定路徑為開頭，則會執行分支
public void Configure(IApplicationBuilder app, IWebHostEnvironment env)
{
app.Map("/map1", HandleMapTest1);
app.Map("/map2", HandleMapTest1);
}
private static void HandleMapTest1(IApplicationBuilder app)
{
app.Run(async context =>
{
await context.Response.WriteAsync("Map 1");
});
}
private static void HandleMapTest2(IApplicationBuilder app)
{
app.Run(async context =>
{
await context.Response.WriteAsync("Map 2");
});
}
Map支援槽狀
app.Map("/level1", level1App => {
level1App.Map("/level2a", level2AApp => {
// "/level1/level2a" processing
});
level1App.Map("/level2b", level2BApp => {
// "/level1/level2b" processing
});
});
| 中介軟體 | 描述 | 單 | Title |
|---|---|---|---|
| 驗證 | 提供驗證支援。 | 在需要 HttpContext.User 之前。 OAuth 回呼的終端機。 | Untitled |
| 授權 | 提供授權支援。 | 緊接在驗證中介軟體之後。 | Untitled |
| Cookie 原則 | 追蹤使用者對用於儲存個人資訊的同意，並強制執行 cookie 欄位的最低標準，例如 secure 和 SameSite。 | 在發出 cookie 的中介軟體之前。 範例：驗證、工作階段、MVC (TempData)。 | Untitled |
| CORS | 設定跨原始來源資源共用。 | 在使用 CORS 的元件之前。 由於這個錯誤，UseCors 目前必須在 UseResponseCaching 之前進行。 | Untitled |
| 診斷 | 數個不同的中介軟體，可提供開發人員例外狀況頁面、例外狀況處理、狀態字碼頁，以及新應用程式的預設網頁。 | 在產生錯誤的元件之前。 例外狀況的終端機，或為新應用程式提供預設網頁。 | Untitled |
| 轉送標頭 | 將設為 Proxy 的標頭轉送到目前要求。 | 在使用更新方法的欄位之前。 範例：配置、主機，用戶端 IP、方法。 | Untitled |
| 健康狀態檢查 | 檢查 ASP.NET Core 應用程式及其相依性的健康狀態，例如檢查資料庫可用性。 | 若某項要求與健康狀態檢查端點相符，則會是終端機。 | Untitled |
| 標頭傳播 | 將 HTTP 標頭從傳入要求傳播至傳出 HTTP 用戶端要求。 | Untitled | |
| HTTP 方法覆寫 | 允許傳入的 POST 要求覆寫方法。 | 在使用更新方法的元件之前。 | Untitled |
| HTTPS 重新導向 | 將所有 HTTP 要求都重新導向至 HTTPS。 | 在使用 URL 的元件之前。 | Untitled |
| HTTP 嚴格的傳輸安全性 (HSTS) | 增強安全性的中介軟體，可新增特殊的回應標頭。 | 在傳送回應前和修改要求的元件後。 範例：轉送的標頭、URL 重寫。 | Untitled |
| MVC | 使用 MVC/Razor Pages 處理要求。 | 若要求符合路由則終止。 | Untitled |
| OWIN | 以 OWIN 為基礎之應用程式、伺服器和中介軟體的 Interop。 | 若 OWIN 中介軟體完全處理要求則終止。 | Untitled |
| 回應快取 | 提供快取回應的支援。 | 在需要快取的元件之前。 UseCORS 必須位於 UseResponseCaching 之前。 | Untitled |
| 回應壓縮 | 提供壓縮回應的支援。 | 在需要壓縮的元件之前。 | Untitled |
| 要求當地語系化 | 提供當地語系化支援。 | 在偵測當地語系化的元件之前。 使用 RouteDataRequestCultureProvider 時，必須在路由中介軟體之後出現。 | Untitled |
| 端點路由 | 定義並限制要求路由。 | 比對路由的終端機。 | Untitled |
| SPA | 傳回單一頁面應用程式 (SPA) 的預設頁面，以處理中介軟體鏈結中從這裡開始的所有要求 | 鏈結中的晚期，讓用於提供靜態檔案、MVC 動作等的其他中介軟體優先。 | Untitled |
| 工作階段 | 提供管理使用者工作階段的支援。 | 在需要工作階段的元件之前。 | Untitled |
| 靜態檔案 | 支援靜態檔案的提供和目錄瀏覽。 | 若要求符合檔案則終止。 | Untitled |
| URL 重寫 | 提供重寫 URL 及重新導向要求的支援。 | 在使用 URL 的元件之前。 | Untitled |
| WebSocket | 啟用 WebSockets 通訊協定。 | 在接受 WebSocket 要求的必要元件之前。 | Untitled |
ASP.NET Core 專案目錄
| 目錄 | 作用 |
| wwwroot; | 靜態資料夾 |
| Properties/launchSettings.json | 透過dotnet run 啟動 |
| Program.cs | 程式進入點啟動 |
| appsettins.json; | 環環境參數 |
| MVC | |
| View | 檢視 |
| Model | 模型 |
| controller | 控制器 |
| WebApp | |
| Razor | 前端html產生工具 |
| Web Api | |
| controllers | 控制器 |
| Blazor | |
| Pages | 頁面 |
| Pages/_Host.cshtml | 首頁 |
| Pages/*.razor | razor頁面 |
| Shared | 共用元件資料夾 |
| Data | 資料儲存類別所在資料夾 |
| gPRC | |
| Protos | Protocol Buffer File |
| Pages/_Host.cshtml | 首頁 |
| Service | 服務類別 |
(1) 介紹：
神經網路三大天王NN、CNN和RNN，本文章介紹卷積神經網路(Convolutional Neural Network,CNN)，發明CNN目前為Facebook AI首席科學家被稱為CNN之父，CNN的發明把所有的圖型辨識的演算法幹掉，目前沒有可以比他更準確。當我們利用CNN來訓練辨識貓，CNN會自己找到它有關於貓的特徵，自己去識別．
(2)CNN運作方式
2.1 CNN運作架構
將貓咪像素圖作為輸入神經元，經過Convolution Layer和Pooling Layer擷取圖形特徵值與處理圖形
會先將貓咪圖片轉成一小格一小格的Filter，這些Filter是用來擷取貓身上的特徵值，
2.2 Convolution Layer卷積層
我們會將圖片輸入像素(Pixel)當作輸入的神經元，每個神經元會乘上相同的權重向量(Weight Array)，向量的乘法是做內積，所以由圖片可以看到，將3X3的像素乘以3X3權重值：2*1+1*0+2*1+1*0+4*1+1*0+3*1+1*0+3*1=14．
由左到右，上到下以3X3的區塊遞移計算，最後可以得到一個完整的特徵圖(Feature Map)
我們通常會使用多組Filters(6X6或8X8)去計算出Feature Map，這樣結果會得到原貓咪圖的資料量大很多，如何把這些圖簡化，後來使用一個方法稱為Pooling layer
2.3 Pooling Layer池化層
Pooling Layer層主要的目的是將Filter所得到的Feature Map做簡化，最常用的方法稱為Max-Pooling Layer，將Feature Map以2X2的區塊投票選出最大的值，表示為該區域的特徵值
(1) 問題定義
將輸入手寫數字圖片，經由類神經網路訓練後，可以辨識手寫圖片得到一個正確的答案，例如讓電腦辨識上面圖片手寫數字0-9，都可以認得．在了解問題後，需要先知道輸入的資料格式，例如圖片為NxN的矩陣向量．
(2)定義函式
輸出會有兩個問題：
Ａ.輸出利用one-hot encoding來表示，就是Ｎ個狀態會對應Ｎ的結果，例如：輸出結果為1，表示[0,1,0,0,0,0,0,0,0,0]
B.輸出結果不能超過1，我們通常會利用Softmax函数來進行輸出的處理．
(3) 準備訓練/測試資料
在這邊需要從輸入去定義那些要當作訓練與測試資料，我們手寫資料使用MNIST 資料庫來訓練使用，MNIST共有70,000筆手寫資料，60,000筆為訓練資料，10,000為測試資料．
(4)建構類神經網路模型
開始建構我們的神經網路模型，首先決定好28x28的像素(這邊不用擔心如何將圖片轉成矩陣)，模型使用ＳＧＤ的方式進行學習，輸出是一個10為的陣列來表示．
(5)學習
首先介紹SGD(Stochastic Gradient Descent) 的學習方式，因為蕾神經網路需要訓練很多次才會提高準確度，SGD最大的好處就是當每次重新學習的會將訓練資料打散，來防止機器學習將答案死背下來．
(6)實作開發
下面程式碼有完整的說明，這邊就不多說明了，當開始執行程式時就會進行資料訓練．
由訓練結果最後acc=0.9447，表示準確率可以到達94%，我們再由實際測試可以看出該圖為7的圖示，由神經網路判斷為7，跟我們人類判斷相同，我們可以知道由訓練的結果可看得到不錯的準確度．
執行神經網路遇到不少問題，請參考下面連結，是筆者所整理的問題集，請多多指教https://programdoubledragon.blogspot.com/2019/08/python-ai_5.html
#確定使用深度學習套件tensorflow
%env KERAS_BACKEND=tensorflow
%matplotlib inline
#載入相關函式庫
import numpy as np
import matplotlib.pyplot as plt
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
#讀入MNIST的數據庫
from keras.datasets import mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
#驗證len(x_train),len(y_train)是不是六萬筆資料
len(x_train)
len(y_train)
#輸出一筆看看
#x_train[9487].shape
#(28,28)
#輸出矩陣
#x_train[9487]
#輸出圖片
#plt.imshow(x_train[9486], cmap='Greys')
#y_train[9487]
#輸入格式整理
x_train.shape
#輸入格式整理:因為類神經網路，只能平平的資料，所以需要用reshape重新將
x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
#輸出 one-hot encoding
from keras.utils import np_utils
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)
#9487可以看出[0,1,0,0,0,0,0,0,0,0]
y_train[9487]
#===========================神經網路模型============================
# 隱藏層: 兩個隱藏層，每個有500神經元
# 學習模型:SGD
#
#=================================================================
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.optimizers import SGD
#建立空的神經網路
model = Sequential()
#第一層隱藏層神經網路：建立500個神經元，輸入矩陣資料784個元素
model.add(Dense(500, input_dim=784))
#激發函式為sigmoid
model.add(Activation('sigmoid'))
#第二層隱藏層神經網路：建立500個神經元，輸入矩陣資料784個元素
model.add(Dense(500))
model.add(Activation('sigmoid'))
#輸出10維
model.add(Dense(10))
#激發函式為softmax，表示輸出只會是1，因為輸出陣列的位置表示為數字，例如：y[3]=1表示輸出為3;
model.add(Activation('softmax'))
#compile你的神經網路
#loss='mse'將誤差平方起來且平均
#optimizer=SGD(lr=0.1) lr為學習率
#metrics=['accuracy'] 可以查看正確率
model.compile(loss='mse', optimizer=SGD(lr=0.1) , metrics=['accuracy'])
#查看神經網路的模型
#model.summary()
# 驗證第一層：784X500+500(biase)=392500
# 驗證第二層：500X500+500(biase)=250500
# 輸出：500*10+10=5010
#終於來到最後輸出
#每100筆重新調整一次參數，並訓練次
model.fit(x_train, y_train, batch_size=100, epochs=20)
from ipywidgets import interact_manual
predict = model.predict_classes(x_test)
#建立測試函式
def test(測試編號):
plt.imshow(x_test[測試編號].reshape(28,28), cmap='Greys' )
print('神經網路判斷為' , predict[測試編號])
#執行
interact_manual(test, 測試編號=(0,9999))
#儲存神經網路模型
#因為模型是以json格式，所以我們先用model_json來儲存
model_json = model.to_json()
#利用檔案的方式儲存
open('handwriting_model_arch.json','w').write(model_json)
model.save_weights("handwriting_model_arch.h5")
1.http://moocs.nccu.edu.tw/media/23062
2. MNIST_database 維基百科
3. keras - 优化器 Optimizers
4. 資料：手寫六萬筆資料
解決方法
(1) 根據log檔來判斷問題：
例如：log訊息出現OMP: Error #15: Initializing libiomp5.dylib, but found libiomp5.dylib already initialized.
(2) 根據問題關鍵字找出問題所在：
利用google查詢所遭遇到的問題，例如我把上面的問題上google查詢可以找到這篇的解法
https://blog.csdn.net/bingjianIT/article/details/86182096
(3)實作解法：
我實作下面解法後，就可以順利執行手寫辨識的程式．
//在Python宣告時加入
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
(1) 下載Anaconda套件
官網：https://www.anaconda.com/
套件下載： 下載網址
＊MAC版本安裝
請下載3.7版的來進行安裝
安裝畫面：
(2) 安裝深度學習套件
本次需要的範例
需要打開mac的終端機(terminal)，需要將上面的套件安裝，首先測試conda指令是否可以執行
##> conda
輸入安裝的指令，會請您輸入管理員的密碼，通過後可以進行安裝
##>sudo conda install tensorflow
##>password
##>sudo conda install keras
＊測試
步驟一、首先在Document建立一個資料夾名為AI_Study，執行jupyter來進行測試
##>cd ~/Document
##>mkdir AI_Study
##>cd AI_Study
##>jupyter notebook
步驟二、
出現jupyter的IDE後，我們新增一個腳本，並選擇Python 3來開發
測試方式為import karas套件後，執行Run看是否有發生錯誤，吾表示安裝成功
