电子商务网站的建设收益,可信赖的购物网站建设,网页版传奇单职业,网站ip和pv的比例在本教程中#xff0c;我们将介绍一个简单的方法来获取Keras模型并将其部署为REST API。本文所介绍的示例将作为你构建自己的深度学习API的模板/起点——你可以扩展代码#xff0c;根据API端点的可伸缩性和稳定性对其进行定制。具体而言#xff0c;我们将了解#xff1a; 如…在本教程中我们将介绍一个简单的方法来获取Keras模型并将其部署为REST API。本文所介绍的示例将作为你构建自己的深度学习API的模板/起点——你可以扩展代码根据API端点的可伸缩性和稳定性对其进行定制。具体而言我们将了解· 如何(以及如何不)将Keras模型加载到内存中以便有效地进行推理· 如何使用Flask web框架为我们的API创建端点· 如何使用我们的模型进行预测用JSON-ify转换它们并将结果反馈到客户端· 如何使用cURL和Python来调用我们的Keras REST API在本教程结束时你将能很好地理解创建Keras REST API所需的组件(以最简单的形式)。请随意使用本指南中提供的代码作为你自己的深度学习REST API起点。配置开发环境假设Keras已经配置并安装在你的机器上。如果没有请确保使用官方安装说明安装Keras(https://keras.io/#installation)。然后需要安装Flask (http://flask.pocoo.org/)(及其相关的依赖项)一个Python web框架这样就可以构建API端点了。还需要请求(http://docs.python-requests.org/en/master/)这样就可以使用API了。有关的pip安装命令如下$ pip install flask gevent requests pillow构建你的Keras REST APIKeras REST API独立于一个名为run_keras_server.py的文件中。为了简单起见我们将安装保存在一个文件中——安装启用也可以很容易地模块化。在 run_keras_server.py中你会发现三个函数即· load_model用于加载训练好的Keras模型并为推理做准备。· prepare_image这个函数在通过我们的网络进行预测之前对输入图像进行预处理。如果你没有使用图像数据则可能需要考虑将名称更改为更通用的prepare_datapoint并应用一些可能需要的缩放/标准化。· predictAPI的实际端点可以将请求中的输入数据分类并将结果反馈给客户端。# import the necessary packagesfrom keras.applications import ResNet50from keras.preprocessing.image import img_to_arrayfrom keras.applications import imagenet_utilsfrom PIL import Imageimport numpy as npimport flaskimport io# initialize our Flask application and the Keras modelapp flask.Flask(__name__)model None第一个代码片段处理导入了所需的程序包并且对Flask应用程序和模型进行了初始化。在此我们定义load_model函数def load_model(): # load the pre-trained Keras model (here we are using a model # pre-trained on ImageNet and provided by Keras, but you can # substitute in your own networks just as easily) global model model ResNet50(weightsimagenet)顾名思义这个方法负责将我们的架构实例化并从磁盘加载权重。为了简单起见将使用在ImageNet数据集上预先训练过的ResNet50架构。如果你正在使用自定义模型则需要修改此函数以从磁盘加载架构权重。在对任何来自客户端的数据进行预测之前首先需要准备并预处理数据def prepare_image(image, target): # if the image mode is not RGB, convert it if image.mode ! RGB: image image.convert(RGB) # resize the input image and preprocess it image image.resize(target) image img_to_array(image) image np.expand_dims(image, axis0) image imagenet_utils.preprocess_input(image) # return the processed image return image这个函数· 接受输入图像· 将模式转换为RGB(如果需要)· 将大小调整为224x224像素(ResNet的输入空间维度)· 通过平均减法数组和缩放对阵列进行预处理此外在通过模型传递输入数据之前应该根据某一预处理、缩放或标准化来修改这个函数。现在可以定义predict函数了——该方法会处理对/predict端点的任何请求app.route(/predict
