目录
一、模型的部署
1、模型部署的定义与目的
1）定义
模型部署是指将训练好的机器学习模型或深度学习模型运行在专属的计算资源上，使模型在独立的运行环境中高效、可靠地运行，并为业务应用提供推理服务。
2）目的
将模型应用于实际业务中，使最终用户或系统能够利用模型的输出，从而发挥其作用。部署模型的目的是将模型应用到实际问题中，以实现预测、分类、推荐等任务，并为用户或业务提供实时的决策支持。以及将模型尽可能有效地集成到实际系统中，并确保其能够高效地运行，满足实际业务需求。
2、模型部署的步骤
1）导出模型
将训练好的模型导出为可部署的格式
2） 部署模型
将导出的模型部署到生产环境中，通常是以一个服务或一个库的形式。
3）测试模型
在生产环境中对模型进行测试，以确保其能够正常工作，并且输出结果符合预期。
4）监控模型
在生产环境中对模型进行监控，以便及时发现并解决问题。
3、模型部署的方式
1）云端部署
将模型部署到云端服务器上，通过API接口提供服务，实现远程调用。这种方式可以实现大规模的分布式计算和存储，同时提供高可用性和可扩展性。在云端部署中，需要考虑数据的安全性和隐私保护，以及模型的并发处理能力。
2）嵌入式设备部署
将模型部署到嵌入式设备中，如智能手机、智能音箱、智能家居等。这种方式可以实现本地化的智能化应用，具有实时性、低延迟的优点。在嵌入式设备部署中，需要考虑设备的计算能力、存储空间等限制，以及模型的轻量化设计。
3）边缘计算部署
将模型部署到边缘设备上，如路由器、摄像头等。这种方式可以实现本地数据的实时处理和智能化分析，减少数据传输的延迟和成本。在边缘计算部署中，需要考虑设备的计算能力和数据处理能力，以及模型的实时性要求。
4）移动端部署
将模型部署到移动端设备上，如智能手机、平板电脑等。这种方式可以实现移动设备的智能化应用，提高用户体验。在移动端部署中，需要考虑设备的功耗和性能限制，以及模型的轻量化设计。
5）FPGA和GPU部署
FPGA（Field-Programmable Gate Array）部署是将深度学习模型部署到FPGA芯片上，实现高效的硬件加速，提高模型的运行速度和效率。
GPU（Graphics Processing Unit）部署是将深度学习模型部署到GPU上，利用GPU的并行计算能力，提高模型的运行速度和效率。这两种方式适用于对计算性能要求较高的场景，如实时图像处理、视频分析等。
二、web框架对比
1、Django
1）优点
功能全面：Django是一个“全包式”的框架，提供了丰富的内置功能，如ORM（对象关系映射）、用户认证、内容管理等，非常适合快速开发。
文档完善：Django的官方文档非常详细，易于理解，对于新手来说非常友好。 社区支持强大：Django拥有一个庞大的社区和大量的第三方包可供选择，这使得开发者能够轻松地找到解决方案和支持。
安全性高：Django具有集成的安全功能，如防止跨站请求伪造（CSRF）和SQL注入攻击的机制，能够最大程度地保护系统的安全性。
2）缺点
学习曲线较陡：对于初学者来说，Django提供的功能可能会显得过于复杂，需要一定的时间去学习和掌握。 灵活性较低：由于Django的全包式设计，它在一些情况下可能不如其他框架灵活。
性能问题：在处理高负载应用程序时，Django的性能可能不如一些轻量级的框架。
2、Pyramid
1）优点
灵活性和可扩展性：Pyramid的设计哲学是“尽可能少地强制开发人员做出选择”，它提供了一组基本的工具和功能，但允许开发人员根据项目需求选择使用的组件和库。 高性能：Pyramid在设计上注重性能，采用了一些优化技术，如延迟加载和缓存机制，以提供快速响应和高并发处理能力。
适用于大型应用程序：由于Pyramid的灵活性和可扩展性，它非常适合构建大型和复杂的Web应用程序。
2）缺点
社区及资源相对较少：与Django和Flask相比，Pyramid的社区和第三方资源可能较少
学习曲线：虽然Pyramid提供了灵活的选择，但对于初学者来说，可能需要更多的时间来理解和选择适合项目的组件和库。
3、Flask
1）优点
轻量级：Flask是一个轻量级的框架，代码量少，灵活性高，适合快速开发小型应用程序。
简单易学：Flask的设计理念简洁明了，入门相对容易，对于初学者来说非常友好。
可扩展性强：Flask提供了丰富的扩展库，开发者可以根据需求选择合适的扩展来扩展功能。
社区支持良好：Flask有一个庞大的社区，提供了丰富的资源和支持。
2）缺点
功能相对较少：相比于一些大型框架如Django，Flask的功能相对较少，需要依赖扩展库来实现一些功能。
安全性考虑：由于Flask的轻量级特性，安全性方面的考虑需要开发者自行关注。
不适合大型应用：由于Flask的轻量级特性，它可能不适合开发大型复杂的应用程序。 综上所述，Django、Pyramid和Flask各有其优缺点，选择哪个框架取决于项目的具体需求、开发者的偏好和经验水平。
三、案例实现
1、创建客户端
创建一个py文件flask_predict.py，将代码写入其中
import requests
flask_url = 'http://192.168.24.42:5012/predict' # 设置需要读取的服务器地址
def predict_result(image_path):
image = open(image_path,'rb').read()
payload = {'image':image}
r = requests.post(flask_url,files=payload).json() # 发送post请求，输入当前ip和图片，然后返回的结果转化为json大字符串类型
# print(r)
if r['success']:
for (i,result) in enumerate(r['predictions']):
print("{}.预测类别为{}：的概率：{}".format(i+1,result['label'],result['probability']))
else:
print("request failed")
if __name__ == '__main__':
# predict_result('./flower_data/val_filelist/image_00028.jpg')
predict_result('train/6/image_07168.jpg')运行结果：
在服务端代码运行后运行此处代码
2、创建一个服务端
创建一个py文件flask_server.py，用于将自己电脑当做成一个服务器，别人访问当前服务器ip内的内容，来预测数据
import io
import flask
import torch
import torch.nn.functional as F
from PIL import Image
from torch import nn
from torchvision import transforms, models, datasets
app = flask.Flask(__name__) # 创建一个新的Flask应用程序实例
# __name__参数通常被传递给Flask应用程序来定位应用程序的根路径，这样FlasK就可以知道在哪里找到模板、静态文件等。
# 总体来说app = flask.Flask(__name_)是Flask应用程序的起点。它初始化了一个新的Flask应用程序实例。为后续添加路由、配置
model = None
use_gpu = False
# 加载模型进来
def load_model():
global model
model = models.resnet18() # 导入残差网络模型18层
num_ftrs = model.fc.in_features # 返回原模型最后一层全连接层的输入特征数量
model.fc = nn.Sequential(nn.Linear(num_ftrs,102)) # 替换原模型最后一层，为一个线性层，输出层为102个类别，因为总的类别有102中
checkpoints = torch.load('best.pth') # 加载训练好的模型权重
model.load_state_dict(checkpoints['state_dict']) # 将加载好的权重应用到模型上，
model.eval() # 模型设置为测试模式
if use_gpu: # 如果为True
model.cuda() # 将模型传入GPU
# 数据预处理
def prepare_image(image,target_size): # 输入图像、以及指定尺寸
# 针对不同模型，image的格式不同，但需要统一到RGB格式
if image.mode != 'RGB': # 判断图像是不是RGB彩色图
image = image.convert('RGB') # 如果不是，将其转化为RGB格式
# 按照所使用的模型将输入图片的尺寸修改，并转为tensor
image = transforms.Resize(target_size)(image) # 调整图像大小为指定尺寸
image = transforms.ToTensor()(image) # 将图像转化为PyTorch，同时图像像素值变成0-1.0之间
# 对图像进行标准化，第一个列表为RGB三通道均值，第二个为标准差
image = transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])(image)
# 增加一个维度，用于按batch测试
image = image[None]
if use_gpu:
image = image.cuda()
return torch.tensor(image)
# 是一个装饰器，用于将指定的URL路径(在这个例子中是/predict)与一个函数关联起来，并指定该函数响应的HTTP方法(在这个例子中是POST方注
@app.route('/predict',methods=['POST'])
def predict():
# 做一个标志，刚开始无图像传入时为false,传入图像时为true
data = {"success":False}
if flask.request.method == "POST":
if flask.request.files.get('image'): # 判断是否为图像
image = flask.request.files["image"].read() # 将收到的图像进行读取，内容为二进制
image = Image.open(io.BytesIO(image)) # io.BytesIO是Python标准库io模块中的一个类，它提供了一个在内存中读写bytes的缓冲区,既可以作为二进制数据的输入源（类似于文件），也可以作为输出目标。
# 当io.BytesIO(image)被调用时，它创建了一个内存中的二进制流，并将原始的image bytes数据写入这个流中。
# 然后，Image.open(io.BytesIO(image))打开这个内存中的二进制流，就像打开一个实际的图像文件一样，并返回一个可用于进一步处理的图像对象。
# 利用上面的预处理函数将读入的图像进行预处理
image = prepare_image(image, target_size=(224,224))
preds = F.softmax(model(image),dim = 1) # 得到各个类别的概率
results = torch.topk(preds.cpu().data,k=3,dim=1) # 概率最大的前3个结果
# torch.topk用于返回输入张量中每行最大的k个元素及其对应的索引
results = (results[0].cpu().numpy(), results[1].cpu().numpy())
# 将data字典增加一个key，value,其中value为ist格式
data['predictions'] = list()
for prob, label in zip(results[0][0], results[1][0]):
# Label name =idx2labellstr(label)]
r = {"label": str(label), "probability": float(prob)}
# 将预测结果添加至data字典
data['predictions'].append(r)
# Indicate that the reguest was a success.
data["success"] = True
return flask.jsonify(data) # 将最后结果以json格式文件传出
if __name__ == '__main__':
print("Loading PyTorch model and Flask starting server ...")
print('Please wait until server has fully started')
load_model() # 先加载模型
# 再开启服务
app.run(host='192.168.24.42',port=5012) # 用自己的电脑，端口号为5012 这个程序。服务器，进入了聆听状态，等待客户发送请求
运行状态：
此时代码不会终止，处于聆听状态，每当别的客户端访问当前服务端内的代码内容，即会显示对方ip。
3、运行方法
首先运行flask_server.py文件的代码，使当前电脑的一个ip当做服务端，然后和当前电脑在同一局路由的客户端可以直接运行flask_predict.py文件的代码，注意ip要相同才可以使用。