通过带Flask的REST API在Python中部署PyTorch
2021-03-03 01:29
标签：nbsp 计算 key 采样 bsp 文档 环境 http post 如何 通过带Flask的REST API在Python中部署PyTorch 在本文中，将使用Flask来部署PyTorch模型，并用讲解用于模型推断的 REST API。特别是，将部署一个预训练的DenseNet 121模 型来检测图像。 备注： 可在GitHub上获取本文用到的完整代码 这是在生产中部署PyTorch模型的系列教程中的第一篇。到目前为止，以这种方式使用Flask是开始为PyTorch模型提供服务的最简单方法， 但不适用于具有高性能要求的用例。因此： * 如果已经熟悉TorchScript，则可以直接进入的Loading a TorchScript Model in C++教程。 * 如果首先需要复习TorchScript，请查看的Intro a TorchScript教程。 ## 1.定义API 将首先定义API端点、请求和响应类型。的API端点将位于/ predict，它接受带有包含图像的file参数的HTTP POST请求。响应 将是包含预测的JSON响应： ```buildoutcfg {"class_id": "n02124075", "class_name": "Egyptian_cat"} ## 2.依赖（包） 运行下面的命令来下载需要的依赖： ```buildoutcfg $ pip install Flask==1.0.3 torchvision-0.3.0 3.简单的Web服务器 以下是一个简单的Web服务器，摘自Flask文档 from flask import Flask app = Flask(__name__) @app.route(‘/‘) def hello(): return ‘Hello World!‘ 将以上代码段保存在名为app.py的文件中，现在可以通过输入以下内容来运行Flask开发服务器： $ FLASK_ENV=development FLASK_APP=app.py flask run 当在web浏览器中访问http://localhost:5000/时，会收到文本Hello World的问候！ 将对以上代码片段进行一些更改，以使其适合的API定义。首先，将重命名predict方法。将端点路径更新为/predict。 由于图像文件将通过HTTP POST请求发送，因此将对其进行更新，使其也仅接受POST请求： @app.route(‘/predict‘, methods=[‘POST‘]) def predict(): return ‘Hello World!‘ 还将更改响应类型，以使其返回包含ImageNet类的id和name的JSON响应。更新后的app.py文件现在为： from flask import Flask, jsonify app = Flask(__name__) @app.route(‘/predict‘, methods=[‘POST‘]) def predict(): return jsonify({‘class_id‘: ‘IMAGE_NET_XXX‘, ‘class_name‘: ‘Cat‘}) 4.推理 在下一部分中，将重点介绍编写推理代码。这将涉及两部分，第一部分是准备图像，以便可以将其馈送到DenseNet；第二部分，将编 写代码以从模型中获取实际的预测。 4.1 准备图像 DenseNet模型要求图像为尺寸为224 x 224的 3 通道RGB图像。还将使用所需的均值和标准偏差值对图像张量进行归一化。可以点击 这里来了解更多关于它的内容。 将使用来自torchvision库的transforms来建立转换管道，该转换管道可根据需要转换图像。可以在此处 阅读有关转换的更多信息。 import io import torchvision.transforms as transforms from PIL import Image def transform_image(image_bytes): my_transforms = transforms.Compose([transforms.Resize(255), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize( [0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]) image = Image.open(io.BytesIO(image_bytes)) return my_transforms(image).unsqueeze(0) 上面的方法以字节为单位获取图像数据，应用一系列变换并返回张量。要测试上述方法，请以字节模式读取图像文件（首先将../_static/img/ sample_file.jpeg替换为计算机上文件的实际路径），然后查看是否获得了张量： with open("../_static/img/sample_file.jpeg", ‘rb‘) as f: image_bytes = f.read() tensor = transform_image(image_bytes=image_bytes) print(tensor) tensor([[[[ 0.4508, 0.4166, 0.3994, ..., -1.3473, -1.3302, -1.3473], [ 0.5364, 0.4851, 0.4508, ..., -1.2959, -1.3130, -1.3302], [ 0.7077, 0.6392, 0.6049, ..., -1.2959, -1.3302, -1.3644], ..., [ 1.3755, 1.3927, 1.4098, ..., 1.1700, 1.3584, 1.6667], [ 1.8893, 1.7694, 1.4440, ..., 1.2899, 1.4783, 1.5468], [ 1.6324, 1.8379, 1.8379, ..., 1.4783, 1.7352, 1.4612]], [[ 0.5728, 0.5378, 0.5203, ..., -1.3704, -1.3529, -1.3529], [ 0.6604, 0.6078, 0.5728, ..., -1.3004, -1.3179, -1.3354], [ 0.8529, 0.7654, 0.7304, ..., -1.3004, -1.3354, -1.3704], ..., [ 1.4657, 1.4657, 1.4832, ..., 1.3256, 1.5357, 1.8508], [ 2.0084, 1.8683, 1.5182, ..., 1.4657, 1.6583, 1.7283], [ 1.7458, 1.9384, 1.9209, ..., 1.6583, 1.9209, 1.6408]], [[ 0.7228, 0.6879, 0.6531, ..., -1.6476, -1.6302, -1.6476], [ 0.8099, 0.7576, 0.7228, ..., -1.6476, -1.6476, -1.6650], [ 1.0017, 0.9145, 0.8797, ..., -1.6476, -1.6650, -1.6999], ..., [ 1.6291, 1.6291, 1.6465, ..., 1.6291, 1.8208, 2.1346], [ 2.1868, 2.0300, 1.6814, ..., 1.7685, 1.9428, 2.0125], [ 1.9254, 2.0997, 2.0823, ..., 1.9428, 2.2043, 1.9080]]]]) 4.2 预测 现在将使用预训练的DenseNet 121模型来预测图像的类别。将使用torchvision库中的一个库，加载模型并进行推断。在此示例中， 将使用预训练的模型，但可以对自己的模型使用相同的方法。在这个教程 中了解有关加载模型的更多信息。 from torchvision import models # 确保使用`pretrained`作为`True`来使用预训练的权重： model = models.densenet121(pretrained=True) # 由于仅将模型用于推理，因此请切换到“eval”模式： model.eval() def get_prediction(image_bytes): tensor = transform_image(image_bytes=image_bytes) outputs = model.forward(tensor) _, y_hat = outputs.max(1) return y_hat 张量y_hat将包含预测的类的id的索引。但是，需要一个易于阅读的类名。为此，需要一个类id来命名映射。将该文件 下载为imagenet_class_index.json并记住它的保存位置（或者，如果按照本文中的确切步骤操作，请将其保存在tutorials/_static中）。 此文件包含ImageNet类的id到ImageNet类的name的映射。将加载此JSON文件并获取预测索引的类的name。 import json imagenet_class_index = json.load(open(‘../_static/imagenet_class_index.json‘)) def get_prediction(image_bytes): tensor = transform_image(image_bytes=image_bytes) outputs = model.forward(tensor) _, y_hat = outputs.max(1) predicted_idx = str(y_hat.item()) return imagenet_class_index[predicted_idx] 在使用字典imagenet_class_index之前，首先将张量值转换为字符串值，因为字典imagenet_class_index中的keys是字符串。将 测试上述方法： with open("../_static/img/sample_file.jpeg", ‘rb‘) as f: image_bytes = f.read() print(get_prediction(image_bytes=image_bytes)) [‘n02124075‘, ‘Egyptian_cat‘] 会得到这样的一个响应： [‘n02124075‘, ‘Egyptian_cat‘] 数组中的第一项是ImageNet类的id，第二项是人类可读的name。 注意：是否注意到模型变量不是get_prediction方法的一部分？或者为什么模型是全局变量？就内存和计算而言，加载模型可能是 一项昂贵的操作。如果将模型加载到get_prediction方法中，则每次调用该方法时都会不必要地加载该模型。由于正在构建Web服务 器，因此每秒可能有成千上万的请求，因此不应该浪费时间为每个推断重复加载模型。因此，仅将模型加载到内存中一次。在生 产系统中，必须有效利用计算以能够大规模处理请求，因此通常应在处理请求之前加载模型。 5.将模型集成到的API服务器中 在最后一部分中，将模型添加到Flask API服务器中。由于的API服务器应该获取图像文件，因此将更新predict方法以从请求中 读取文件： from flask import request @app.route(‘/predict‘, methods=[‘POST‘]) def predict(): if request.method == ‘POST‘: # 从请求中获得文件 file = request.files[‘file‘] # 转化为字节 img_bytes = file.read() class_id, class_name = get_prediction(image_bytes=img_bytes) return jsonify({‘class_id‘: class_id, ‘class_name‘: class_name}) app.py文件现已完成。以下是完整版本；将路径替换为保存文件的路径，它的运行应是如下： import io import json from torchvision import models import torchvision.transforms as transforms from PIL import Image from flask import Flask, jsonify, request app = Flask(__name__) imagenet_class_index = json.load(open(‘ model = models.densenet121(pretrained=True) model.eval() def transform_image(image_bytes): my_transforms = transforms.Compose([transforms.Resize(255), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize( [0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]) image = Image.open(io.BytesIO(image_bytes)) return my_transforms(image).unsqueeze(0) def get_prediction(image_bytes): tensor = transform_image(image_bytes=image_bytes) outputs = model.forward(tensor) _, y_hat = outputs.max(1) predicted_idx = str(y_hat.item()) return imagenet_class_index[predicted_idx] @app.route(‘/predict‘, methods=[‘POST‘]) def predict(): if request.method == ‘POST‘: file = request.files[‘file‘] img_bytes = file.read() class_id, class_name = get_prediction(image_bytes=img_bytes) return jsonify({‘class_id‘: class_id, ‘class_name‘: class_name}) if __name__ == ‘__main__‘: app.run() 让测试一下的web服务器，运行： $ FLASK_ENV=development FLASK_APP=app.py flask run 可以使用requests库来发送一个POST请求到的app： import requests resp = requests.post("http://localhost:5000/predict", files={"file": open(‘ 打印resp.json()会显示下面的结果： {"class_id": "n02124075", "class_name": "Egyptian_cat"} 6.下一步工作 编写的服务器非常琐碎，可能无法完成生产应用程序所需的一切。因此，可以采取一些措施来改善它： 通过带Flask的REST API在Python中部署PyTorch 标签：nbsp 计算 key 采样 bsp 文档 环境 http post 如何 原文地址：https://www.cnblogs.com/wujianming-110117/p/14399757.html
下一篇：vue.js的安装
文章标题：通过带Flask的REST API在Python中部署PyTorch
文章链接：http://soscw.com/index.php/essay/59302.html