从 Firebase Cloud Functions 调用 Google ML 引擎的预测答案

【问题标题】：Calling Google ML-engine's predict from Firebase Cloud Functions从 Firebase Cloud Functions 调用 Google ML 引擎的预测
【发布时间】：2018-07-21 18:50:56
【问题描述】：

我尝试使用邮递员的HTTP API method 对我已部署的模型之一调用预测请求，并得到以下响应：

{ “错误”： { “代码”：401， "message": "请求缺少所需的身份验证凭据。需要 OAuth 2 访问令牌、登录 cookie 或其他有效的身份验证凭据。请参阅 https://developers.google.com/identity/sign-in/web/devconsole-project。", “状态”：“未经身份验证” } }

我意识到我们需要身份验证，因此我尝试使用 Firebase Cloud Functions 进行相同的 HTTP 调用，但仍然得到与上述相同的响应。我进行了一些挖掘，发现了所有可以与云功能一起使用的services，我在其中看到了 ML Engine。

我在模型的权限选项卡中将 Cloud Functions 服务帐户添加为 ML Engine Owner，希望它添加 API 调用所需的身份验证，但仍然无法正常工作。

我不想同时使用 cli 或 python-client-library，目的是使这项工作无需服务器。

谁能帮助我了解为什么会发生这种情况，或者我还能如何对预测请求进行 HTTP 调用？

谢谢。

【问题讨论】：

标签： firebase google-cloud-platform google-cloud-functions google-cloud-ml google-iam

【解决方案1】：

你设置了http请求的授权头了吗？授权：承载

这里有一些关于 cloud ml 引擎的文档： https://cloud.google.com/ml-engine/docs/access-control

另一个 Google Cloud 功能的文档（概念相同）： https://cloud.google.com/vision/docs/auth#using_a_service_account

顺便说一句，以防万一，Functions 不是必须的，我相信您可以通过在标头中传递 ApiKey 从您的本机应用程序调用。

【讨论】：

【解决方案2】：

对我来说，它的工作原理如下。在同一个谷歌云项目中，我部署了 ML 模型（ML 平台 -> 模型）和 Cloud Function，我创建了角色为“Cloud ML Developer”的服务帐户。必须在 Cloud Function 配置中提供创建的服务帐户名称：

云功能代码： main.py

googleapiclient import discovery
import json

def run(request):
  request_json = request.get_json()
  if request.args and 'message' in request.args:
    return request.args.get('message')
  elif request_json and 'message' in request_json:
    return request_json['message']
  elif request_json and hasattr(request_json, "__len__"):
    res = ml_call(prepare_frame(request_json))
    return json.dumps(res) 

  else:
    return f'Request error'

def ml_call(req):    
  PROJECT = 'test_proj'
  MODEL_NAME = 'test_name'
  MODEL_VERSION = 'test_ver'
  parent = 'projects/{}/models/{}/versions/{}'.format(PROJECT, MODEL_NAME, MODEL_VERSION)

  # Build a representation of the Cloud ML API.
  ml = discovery.build('ml', 'v1')

  # Create a dictionary with the fields from the request body.
  data = {'instances': [{'input_image': req}]}

  # Create a request 
  request = ml.projects().predict(name = parent, body = data) 

  response = request.execute()
  return response

def prepare_frame(xxx):
...
  return x

requirements.txt：

google-api-python-client

【讨论】：