(13flask继续研究)自己动手,编写神经网络程序,解决Mnist问题,并网络化部署

简介: 解决3个问题:1、自己实现一例flask项目;2、在flask中,如何调用json传值;3、进一步读懂现有代码。Flask 在整个系统中是作为一个后台框架,对外提供 api 服务,因此对它的理解学习要保持足够严谨,因为将来必然会遇到性能问题。
解决3个问题:
1、自己实现一例flask项目;
2、在flask中,如何调用json传值;
3、进一步读懂现有代码。

Flask 在整个系统中是作为一个后台框架,对外提供 api 服务,因此对它的理解学习要保持足够严谨,因为将来必然会遇到性能问题。
Flask标志
1、第一行代码
img_eff6cf2100f9335c2e92fa782f0d697a.png
回显
img_1f99e2cd507a3329c3b1cfef358e853f.png
img_7ca6aa1acb8f946453ef8ebf2cb3aa90.png
代码里面,显而易见是使用了路由,这样可以进一步看清楚
img_e3f7355bc661e87d81bf262f6134dd09.png
img_a9836c4cf156475e6399b8a4f186e245.png
路由也可以更复杂一些,但是现在应该不会用到
img_5c60c205fefdf9af83d451672edb4b7d.png
如果需要处理具体的HTTP方法,在Flask中也很容易,使用 route装饰器的 methods参数设置即可(当然是你首先要实现这个方法)
img_800b2d651d7604d95bb70368f55fdf5b.png
注意这里的表述,是在路由之上,新添加出来的一块。

为了达到统一、高质量的界面,我们需要使用模板,比如默认的这个

Flask会自动配置Jinja 模板,所以我们不需要其他配置了。默认情况下,模板文件需要放在 templates文件夹下。(这里的模板文件应该在之前的模板上面增加的)
想要好看的模板,最终需要的还是js和css
img_5469ddf9c02ddae5ab8ef0fd2e1d315a.png
我们可以得到这样的结果:
img_0450479b715530dbe6eb8c74883e0a43.png
直接一行代码调用过去。
img_def3a01a3ec71baf4a8736a57d5d5de8.png
代码块需要包含在 {% %}块中
双大括号中的内容不会被转义,所有内容都会原样输出,它常常和其他辅助函数一起使用。下面是一个例子
<a class= "navbar-brand" href={{ url_for( 'index') }}>Flask小例子</a>
外引文件,使用 {% extends 'layout.html' %}方法
{% extends 'layout.html' %}
{% %}中也可以写Python代码
<div class=metanav>
{% if not session.logged_in %}
<a href= " {{ url_for('login') }} ">log in</a>
{% else %}
<a href= " {{ url_for('logout') }} ">log out</a>
{% endif %}
</div>
循环
<tbody>
{% for key,value in data.items() %}
<tr>
<td>{{ key }}</td>
<td>{{ value }}</td>
</tr>
{% endfor %}
<tr>
<td>文件</td>
<td></td>
</tr>
</tbody>

注意,字体产生了变化
img_1953b71fc5c3576ec687ba5b4aa7a53c.png
Request 对象是一个全局对象,利用它的属性和方法,我们可以方便的获取从页面传递过来的参数
img_316f8697b4353e1732da5e0e32a29ee7.png
可以用来判明数据来源。

文件上传是肯定需要解决的问题, 利用Flask也可以方便的获取表单中上传的文件,只需要利用 request 的 files 属性即可。 利用 werkzeug 提供的 secure_filename 方法来获取安全的文件名。
@app.route( '/upload', methods=[ 'GET', 'POST'])
def upload_file():
if request.method == 'POST':
f = request.files[ 'the_file']
f.save( '/var/www/uploads/' + secure_filename(f.filename))
不仅仅是这样,肯定还需要更多的要素。

二、解决关键问题
传统方法(当然传统的也是非常好的)只有三个步骤:
1、创建一个上传表单:
<form method="POST" enctype="multipart/form-data">
<input type="file" name="file">
<input type="submit" value="Upload"></form>
2、当按下提交键后,通过request对象上的files获取文件。和以前用request获取表单值一样,使用input字段的name值获取:
file = request.files['file']
3、使用save()方法保存文件,指定保存的地址及文件名:
file.save(path + filename)
這里有一个完整的实现,并且是可用的
# -*- coding: utf-8 -*-
import os
from flask import Flask, request, url_for, send_from_directory
from werkzeug import secure_filename

ALLOWED_EXTENSIONS = set(['png', 'jpg', 'jpeg', 'gif'])

app = Flask(__name__)
app.config['UPLOAD_FOLDER'] = os.getcwd()
app.config['MAX_CONTENT_LENGTH'] = 16 * 1024 * 1024


html = '''
<!DOCTYPE html>
<title>Upload File</title>
<h1>图片上传</h1>
<form method=post enctype=multipart/form-data>
<input type=file name=file>
<input type=submit value=上传>
</form>
'''


def allowed_file(filename):
return '.' in filename and \
filename.rsplit('.', 1)[1] in ALLOWED_EXTENSIONS


@app.route('/uploads/<filename>')
def uploaded_file(filename):
return send_from_directory(app.config['UPLOAD_FOLDER'],
filename)


@app.route('/', methods=['GET', 'POST'])
def upload_file():
if request.method == 'POST':
file = request.files['file']
if file and allowed_file(file.filename):
filename = secure_filename(file.filename)
file.save(os.path.join(app.config['UPLOAD_FOLDER'], filename))
file_url = url_for('uploaded_file', filename=filename)
return html + '<br><img src=' + file_url + '>'
return html


if __name__ == '__main__':
app.run()

我看可以这样来理解使用:
1、不管python语言有多少,
html = '''
<!DOCTYPE html>
<title>Upload File</title>
<h1>图片上传</h1>
<form method=post enctype=multipart/form-data>
<input type=file name=file>
<input type=submit value=上传>
</form>
'''
都是html主体,这样写应该是不需要套模板的;
2、显而易见,submit动作,触发
@app.route ( '/' , methods = [ 'GET' , 'POST' ])
而这个时候,能够验证数据是否已经上传上去。注意最后
return html + '<br><img src=' + file_url + '>'
这样直接返回结果,当然你可以进行大小控制,也可以使用css
3、 file_url = url_for( 'uploaded_file' , filename = filename)
用来构建url,对应的就是 uploaded_file ( filename ):
4、 在 Flask 0.5以上的版本我们可以使用一个函数来实现此功能:
from flask import send_from_directory
@app.route ( '/uploads/<filename>' ) def uploaded_file ( filename ):
return send_from_directory ( app . config [ 'UPLOAD_FOLDER' ], filename )
用以提供对以及那个上传数据的访问。

3、进一步读懂现有代码,现有代码中的结果是如何传递的?
数据上传这块,现有代码调用了模板
return render_template( 'index.html')
同时使用了css和js,但是没有脱离本质,还是先上传到内存中,然后去读取。和model的交互,在predict这里:
使用了js进行调用,还有fadein的效果,高大上
img_0018e4d50d5a4fafa3e228a255450d13.png
对应
img_275bd204f8ef3088b585c37d3c7b7c7f.png
首先是获得文件,然后是将其进行保存,然后是调用已经建立好的模型进行predict,返回的是一个argmax,类似于onehot的值。
在这个过程中,生成的是string数据,然后就是想办法显示出来。并没有所谓json在里面,当然一个原因也是不需要。
在原始代码中,使用了
img_11af13cca4793d4e12f22d7c25cf2433.png
也就是imagenet自己的一个将onehot进行解码的程序。我这里为了CBIR进行了修改。
img_d0912ae29c80a3e0cf79d464249bd14d.png
能够直接显示结果,后面还需要进一步优化,但是已经能够说明问题。
总的来说,还是onehot,或者数组,之类的东西。
这个地方和prsima还不一样。prisma肯定是生成图片的,可能是放在服务器上供下载的,而这里string类型的结果,确实可以直接显示、处理并调用的。
感谢阅读至此,希望有所帮助。





附件列表

 

目前方向:图像拼接融合、图像识别 联系方式:jsxyhelu@foxmail.com
目录
相关文章
|
8月前
|
机器学习/深度学习 算法 调度
14种智能算法优化BP神经网络(14种方法)实现数据预测分类研究(Matlab代码实现)
14种智能算法优化BP神经网络(14种方法)实现数据预测分类研究(Matlab代码实现)
587 0
|
8月前
|
机器学习/深度学习 并行计算 算法
【CPOBP-NSWOA】基于豪冠猪优化BP神经网络模型的多目标鲸鱼寻优算法研究(Matlab代码实现)
【CPOBP-NSWOA】基于豪冠猪优化BP神经网络模型的多目标鲸鱼寻优算法研究(Matlab代码实现)
193 8
|
8月前
|
机器学习/深度学习 传感器 算法
【表面粗糙度】基于粒子群PSO算法优化-BP神经网络的表面粗糙度研究(Matlab代码实现)
【表面粗糙度】基于粒子群PSO算法优化-BP神经网络的表面粗糙度研究(Matlab代码实现)
347 7
|
8月前
|
机器学习/深度学习 算法 数据可视化
PINN物理信息神经网络用于求解二阶常微分方程(ODE)的边值问题研究(Matlab代码实现)
PINN物理信息神经网络用于求解二阶常微分方程(ODE)的边值问题研究(Matlab代码实现)
447 6
|
8月前
|
机器学习/深度学习 传感器 分布式计算
基于模糊RBF神经网络轨迹跟踪研究(Matlab代码实现)
基于模糊RBF神经网络轨迹跟踪研究(Matlab代码实现)
306 1
|
8月前
|
机器学习/深度学习 算法 PyTorch
【Pytorch框架搭建神经网络】基于DQN算法、优先级采样的DQN算法、DQN + 人工势场的避障控制研究(Python代码实现)
【Pytorch框架搭建神经网络】基于DQN算法、优先级采样的DQN算法、DQN + 人工势场的避障控制研究(Python代码实现)
215 1
|
9月前
|
机器学习/深度学习 算法 PyTorch
PINN物理信息神经网络多变量时序预测研究(Matlab代码实现)
PINN物理信息神经网络多变量时序预测研究(Matlab代码实现)
1221 0
|
8月前
|
机器学习/深度学习 编解码 并行计算
【创新未发表!】基于BKA算法优化-BP、HO算法优化-BP、CP算法优化-BP、GOOSE算法优化-BP、NRBO算法优化-BP神经网络回归预测比较研究(Matlab代码)
【创新未发表!】基于BKA算法优化-BP、HO算法优化-BP、CP算法优化-BP、GOOSE算法优化-BP、NRBO算法优化-BP神经网络回归预测比较研究(Matlab代码)
489 0
|
8月前
|
机器学习/深度学习 算法 PyTorch
【DQN实现避障控制】使用Pytorch框架搭建神经网络,基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究(Matlab、Python实现)
【DQN实现避障控制】使用Pytorch框架搭建神经网络,基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究(Matlab、Python实现)
352 0
|
8月前
|
机器学习/深度学习 传感器 数据采集
【故障识别】基于CNN-SVM卷积神经网络结合支持向量机的数据分类预测研究(Matlab代码实现)
【故障识别】基于CNN-SVM卷积神经网络结合支持向量机的数据分类预测研究(Matlab代码实现)
499 0

热门文章

最新文章