我们这里使用PyTorch和Flask。可以使用pip install torch和pip install flask安装这些包。
web应用
为Flask创建一个文件app.py和一个路由:
fromflaskimportFlask
importtorch
app=Flask(__name__)
@app.route('/')
defhome():
return'Welcome to the PyTorch Flask app!'
现在我们可以运行python app.py,如果没有问题,你可以访问http://localhost:5000/,应该会看到一条简单的消息——“Welcome to the PyTorch Flask app!”
这就说明我们flask的web服务已经可以工作了,现在让我们添加一些代码,将数据传递给我们的模型!
添加更多的导入
fromflaskimportFlask, request, render_template
fromPILimportImage
importtorch
importtorchvision.transformsastransforms
然后再将主页的内容换成一个HTML页面
@app.route('/')
defhome():
returnrender_template('home.html')
创建一个templates文件夹,然后创建home.html。
<html>
<head>
<title>PyTorch Image Classification</title>
</head>
<body>
<h1>PyTorch Image Classification</h1>
<formmethod="POST"enctype="multipart/form-data"action="/predict">
<inputtype="file"name="image">
<inputtype="submit"value="Predict">
</form>
</body>
</html>
HTML非常简单——有一个上传按钮,可以上传我们想要运行模型的任何数据(在我们的例子中是图像)。
以上都是基本的web应用的内容,下面就是要将这个web应用和我们的pytorch模型的推理结合。
加载模型
在home route上面,加载我们的模型。
model=torch.jit.load('path/to/model.pth')
我们都知道,模型的输入是张量,所以对于图片来说,我们需要将其转换为张量、还要进行例如调整大小或其他形式的预处理(这与训练时的处理一样)。
我们处理的是图像,所以预处理很简单
defprocess_image(image):
# Preprocess image for model
transformation=transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
image_tensor=transformation(image).unsqueeze(0)
returnimage_tensor
我们还需要一个数组来表示类,本文只有2类
class_names= ['apple', 'banana']
预测
下一步就是创建一个路由,接收上传的图像,处理并使用模型进行预测,并返回每个类的概率。
@app.route('/predict', methods=['POST'])
defpredict():
# Get uploaded image file
image=request.files['image']
# Process image and make prediction
image_tensor=process_image(Image.open(image))
output=model(image_tensor)
# Get class probabilities
probabilities=torch.nn.functional.softmax(output, dim=1)
probabilities=probabilities.detach().numpy()[0]
# Get the index of the highest probability
class_index=probabilities.argmax()
# Get the predicted class and probability
predicted_class=class_names[class_index]
probability=probabilities[class_index]
# Sort class probabilities in descending order
class_probs=list(zip(class_names, probabilities))
class_probs.sort(key=lambdax: x[1], reverse=True)
# Render HTML page with prediction results
returnrender_template('predict.html', class_probs=class_probs,
predicted_class=predicted_class, probability=probability)
我们的/predict路由首先使用softmax函数获得类概率,然后获得最高概率的索引。它使用这个索引在类名列表中查找预测的类,并获得该类的概率。然后按降序对类别概率进行排序,并返回预测结果。
最后,我们的app.py文件应该是这样的:
fromflaskimportFlask, request, render_template
fromPILimportImage
importtorch
importtorchvision.transformsastransforms
model=torch.jit.load('path/to/model.pth')
@app.route('/')
defhome():
returnrender_template('home.html')
defprocess_image(image):
# Preprocess image for model
transformation=transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
image_tensor=transformation(image).unsqueeze(0)
returnimage_tensor
class_names= ['apple', 'banana'] #REPLACE THIS WITH YOUR CLASSES
@app.route('/predict', methods=['POST'])
defpredict():
# Get uploaded image file
image=request.files['image']
# Process image and make prediction
image_tensor=process_image(Image.open(image))
output=model(image_tensor)
# Get class probabilities
probabilities=torch.nn.functional.softmax(output, dim=1)
probabilities=probabilities.detach().numpy()[0]
# Get the index of the highest probability
class_index=probabilities.argmax()
# Get the predicted class and probability
predicted_class=class_names[class_index]
probability=probabilities[class_index]
# Sort class probabilities in descending order
class_probs=list(zip(class_names, probabilities))
class_probs.sort(key=lambdax: x[1], reverse=True)
# Render HTML page with prediction results
returnrender_template('predict.html', class_probs=class_probs,
predicted_class=predicted_class, probability=probability)
最后一个部分是实现predict.html模板,在templates目录创建一个名为predict.html的文件:
<html>
<head>
<title>PredictionResults</title>
</head>
<body>
<h1>PredictionResults</h1>
<p>PredictedClass: {{ predicted_class }}</p>
<p>Probability: {{ probability }}</p>
<h2>OtherClasses</h2>
<ul>
{%forclass_name, probinclass_probs%}
<li>{{ class_name }}: {{ prob }}</li>
{%endfor%}
</ul>
</body>
</html>
这个HTML页面显示了预测的类别和概率,以及按概率降序排列的其他类别列表。
测试
使用python app.py运行服务,然后首页会显示我们创建的上传图片的按钮,可以通过按钮上传图片进行测试,这里我们还可以通过编程方式发送POST请求来测试您的模型。
下面就是发送POST请求的Python代码
#pip install requests
importrequests
url='http://localhost:5000/predict'
# Set image file path
image_path='path/to/image.jpg'
# Read image file and set as payload
image=open(image_path, 'rb')
payload= {'image': image}
# Send POST request with image and get response
response=requests.post(url, headers=headers, data=payload)
print(response.text)
这段代码将向Flask应用程序发送一个POST请求,上传指定的图像文件。我们创建的Flask应用程会处理图像,做出预测并返回响应,最后响应将打印到控制台。
就是这样只要5分钟,我们就可以成功地部署一个ML模型。
https://avoid.overfit.cn/post/4984d0f355b7448c8efd70aee9677739
作者:Daniel Korsz