Tomcat部署图片分类模型系列（一）

前言

Tomcat 服务器是一个免费的开放源代码的Web 应用服务器，属于轻量级应用服务器，在中小型系统和并发访问用户不是很多的场合下被普遍使用。Tomcat支持的编程语言是java，因此在部署模型之前，先来学习一下如何用java读取模型并对图片进行预测。

环境布置

环境windows10
这里笔者使用的工具是Eclipse jee+maven框架+Tomcat9.0+JDK11。
首先创建一个maven web工程，因为后续要使用到web端。创建的过程可以参考eclipse构建maven的web项目,创建好之后来配置一下pom.xml文件。

1. 配置pom.xml文件
   要想读取TensorFlow的模型，首先需要搭建tensorflow的环境，因为我们使用的语言是java，所以我们需要导入的包为libtensorflow，如果不使用maven自动配置的话，自己动手会变得非常麻烦。下面是libtensorflow的dependency代码。依赖时要注意自己模型使用的tensorflow的版本，此处笔者的版本是1.14.

<dependency>
  	  <groupId>org.tensorflow</groupId>
      <artifactId>libtensorflow</artifactId>
      <version>1.14.0</version>
</dependency>

在配置环境的时候，光添加libtensorflow的依赖时不够的，不信可以使用以下代码进行测试。这个代码是从官网弄过来的，放心测试。

import org.tensorflow.Graph;
import org.tensorflow.Session;
import org.tensorflow.Tensor;
import org.tensorflow.TensorFlow;

public class HelloTensorFlow {
  public static void main(String[] args) throws Exception {
    try (Graph g = new Graph()) {
      final String value = "Hello from " + TensorFlow.version();

      // Construct the computation graph with a single operation, a constant
      // named "MyConst" with a value "value".
      try (Tensor t = Tensor.create(value.getBytes("UTF-8"))) {
        // The Java API doesn't yet include convenience functions for adding operations.
        g.opBuilder("Const", "MyConst").setAttr("dtype", t.dataType()).setAttr("value", t).build();
      }

      // Execute the "MyConst" operation in a Session.
      try (Session s = new Session(g);
          // Generally, there may be multiple output tensors,
          // all of them must be closed to prevent resource leaks.
          Tensor output = s.runner().fetch("MyConst").run().get(0)) {
        System.out.println(new String(output.bytesValue(), "UTF-8"));
      }
    }
  }
}

因为还缺少一个重要的文件，这个文件也需要自己手动依赖。在刚才依赖的后面添加如下依赖。要注意上下两个TensorFlow的版本号必须一致。如果想使用GPU进行读取预测的话，可以参考官网安装 Java 版 TensorFlow

<dependency>
    <groupId>org.tensorflow</groupId>
    <artifactId>libtensorflow_jni</artifactId>
    <version>1.14.0</version>
 </dependency>

到此TensorFlow的环境基本搭建完成，此时再运行HelloTensorFlow.java就可以得到相应的输出结果。接下来笔者会带着大家经历笔者曾经踩过的坑。后续也会将代码上传至linux端，感兴趣的可以继续关注。