【深度学习】（12）--模型部署 ＜连接客户端与服务端＞

模型部署

一、模型部署的定义与目的

模型部署是指将大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。其目标是将机器学习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。

二、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。

三、模型部署的方式

模型的部署方式多种多样，可以根据具体的应用场景和需求而定。以下是一些常见的模型部署方式：

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。

四、Flask框架

• 优点：

  1. 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。
  2. 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。
  3. 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。

• 缺点：

  1. 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。
  2. 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。
  3. 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。

五、实现模型部署

1. 搭建服务端

1.1 初始化Flask app

"""-----初始化Flask app-----"""
app = flask.Flask(__name__) # 创建一个Flask应用程序实例
model = None
use_gpu = False

1.2 加载模型

本片使用自带的残差网络模型，将网络模型输出转化为自己要求的输出类别数量：

def load_model():global model# 加载resnet18网络model = models.resnet18()num_ftrs = model.fc.in_featuresmodel.fc = nn.Sequential(nn.Linear(num_ftrs,102))checkpoint = torch.load('best.pth')model.load_state_dict(checkpoint['state_dict'])model.eval()# 是否使用gpuif use_gpu:model.cuda()

1.3 数据预处理

将图像转换为模型输入所需的格式：

def prepare_image(image,target_size):if image.mode !='RGB':image = image.convert('RGB')image = transforms.Resize(target_size)(image)image = transforms.ToTensor()(image)image = transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])(image)image = image[None]if use_gpu:image = image.cuda()return torch.tensor(image)

1.4 构建装饰器

@app.route是一个装饰器，用于将特定的URL路径绑定到一个视图函数上。当Web服务器接收到与该URL路径匹配且方法也匹配的HTTP请求时，就会调用相应的视图函数来处理该请求。

@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truedata = {"success":False}if flask.request.method == 'POST':if flask.request.files.get("image"):image = flask.request.files["image"].read()image = Image.open(io.BytesIO(image))image = prepare_image(image,target_size=(224,224))preds = F.softmax(model(image),dim=1)results = torch.topk(preds.cpu().data,k=3,dim=1)results = (results[0].cpu().numpy(),results[1].cpu().numpy())data['predictions'] = list()for prob,label in zip(results[0][0],results[1][0]):r = {"label":str(label),"probability":float(prob)}data['predictions'].append(r)data["success"] = Truereturn flask.jsonify(data)

1.5 完整代码

import io
import flask
import torch
import jsonify
import torch.nn.functional as F
from PIL import Image
from torch import nn
from torchvision import transforms,models,datasets"""-----初始化Flask app-----"""
app = flask.Flask(__name__) # 创建一个Flask应用程序实例model = None
use_gpu = False"""-----加载模型进来-----"""
def load_model():global model# 加载resnet18网络model = models.resnet18()num_ftrs = model.fc.in_featuresmodel.fc = nn.Sequential(nn.Linear(num_ftrs,102))checkpoint = torch.load('best.pth')model.load_state_dict(checkpoint['state_dict'])model.eval()# 是否使用gpuif use_gpu:model.cuda()"""-----数据预处理-----"""
def prepare_image(image,target_size):if image.mode !='RGB':image = image.convert('RGB')image = transforms.Resize(target_size)(image)image = transforms.ToTensor()(image)image = transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])(image)image = image[None]if use_gpu:image = image.cuda()return torch.tensor(image)# @app.route是一个装饰器，用于将特定的URL路径绑定到一个视图函数上。
# 当Web服务器接收到与该URL路径匹配且方法也匹配的HTTP请求时，就会调用相应的视图函数来处理该请求。
@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truedata = {"success":False}if flask.request.method == 'POST':if flask.request.files.get("image"):image = flask.request.files["image"].read()image = Image.open(io.BytesIO(image))image = prepare_image(image,target_size=(224,224))preds = F.softmax(model(image),dim=1)results = torch.topk(preds.cpu().data,k=3,dim=1)results = (results[0].cpu().numpy(),results[1].cpu().numpy())data['predictions'] = list()for prob,label in zip(results[0][0],results[1][0]):r = {"label":str(label),"probability":float(prob)}data['predictions'].append(r)data["success"] = Truereturn flask.jsonify(data)if __name__ == '__main__':print("Loading PyTorch model and Flask starting server...")print("Please wait until server has fully started")load_model() #加载模型# 再开启服务app.run(port='5012') # 端口

2. 搭建客户端

2.1 服务端网址

用于连接服务端：

-- 127.0.0.1:表示本地地址
-- 5012：表示端口

flask_url = 'http://127.0.0.1:5012/predict'

2.2 发送请求

def predict_result(image_path):image = open(image_path,'rb').read()payload = {'image':image}r = requests.post(flask_url,files=payload).json()# 向服务端发送一个POST请求，并尝试将返回的JSON响应解析为一个Python字典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('Reqquest failed')

2.3 完整代码

import requests
flask_url = 'http://127.0.0.1:5012/predict'def predict_result(image_path):image = open(image_path,'rb').read()payload = {'image':image}r = requests.post(flask_url,files=payload).json()# 向服务端发送一个POST请求，并尝试将返回的JSON响应解析为一个Python字典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('Reqquest failed')if __name__ == '__main__':predict_result('./train/6/image_07162.jpg')

六、运行使用

先行运行服务端，使得服务端打开，然后再运行客户端就可以连接上服务端，并使用服务端函数进行操作。

总结

本篇介绍了，如何进行模型部署，将客户端与服务端连接在一起，使客户可以借用服务端来操作。