使用 Flask 部署¶
创建于：2020 年 5 月 4 日 | 最后更新：2021 年 9 月 15 日 | 最后验证：未验证
在本食谱中，您将学习
如何将您训练好的 PyTorch 模型封装在 Flask 容器中，以通过 Web API 公开它
如何将传入的 Web 请求转换为 PyTorch 张量以供您的模型使用
如何打包模型的输出以用于 HTTP 响应
要求¶
您将需要一个安装了以下软件包（及其依赖项）的 Python 3 环境
PyTorch 1.5
TorchVision 0.6.0
Flask 1.1
可选地，要获取一些支持文件，您需要 git。
PyTorch 和 TorchVision 的安装说明可在 pytorch.org 上找到。Flask 的安装说明可在 Flask 网站上找到。
什么是 Flask？¶
Flask 是一个用 Python 编写的轻量级 Web 服务器。它为您提供了一种便捷的方式来快速为您的训练好的 PyTorch 模型设置 Web API 以进行预测，可以直接使用，也可以作为大型系统中的 Web 服务使用。
设置和支持文件¶
我们将创建一个 Web 服务，该服务接收图像，并将它们映射到 ImageNet 数据集的 1000 个类别之一。为此，您需要一个用于测试的图像文件。可选地，您还可以获取一个文件，该文件将模型输出的类索引映射到人类可读的类名称。
选项 1：快速获取两个文件¶
您可以通过检出 TorchServe 存储库并将它们复制到您的工作文件夹来快速拉取这两个支持文件。 （注意：本教程不依赖 TorchServe - 这只是一种快速获取文件的方法。） 从您的 shell 提示符发出以下命令
git clone https://github.com/pytorch/serve
cp serve/examples/image_classifier/kitten.jpg .
cp serve/examples/image_classifier/index_to_name.json .
您就得到了它们！
选项 2：自带图像¶
index_to_name.json 文件在下面的 Flask 服务中是可选的。您可以使用自己的图像测试您的服务 - 只需确保它是 3 色 JPEG 即可。
构建您的 Flask 服务¶
Flask 服务的完整 Python 脚本显示在本食谱的末尾；您可以将其复制并粘贴到您自己的 app.py 文件中。下面我们将查看各个部分，以使其功能清晰明了。
导入¶
import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image
from flask import Flask, jsonify, request
按顺序
我们将使用来自
torchvision.models的预训练 DenseNet 模型torchvision.transforms包含用于操作图像数据的工具Pillow (
PIL) 是我们将用于初始加载图像文件的库当然，我们还需要来自
flask的类
预处理¶
def transform_image(infile):
input_transforms = [transforms.Resize(255),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406],
[0.229, 0.224, 0.225])]
my_transforms = transforms.Compose(input_transforms)
image = Image.open(infile)
timg = my_transforms(image)
timg.unsqueeze_(0)
return timg
Web 请求给了我们一个图像文件，但我们的模型期望一个形状为 (N, 3, 224, 224) 的 PyTorch 张量，其中 N 是输入批次中的项目数。（我们将只有一个批次大小为 1。）我们首先要做的是组合一组 TorchVision 变换，这些变换调整图像大小并裁剪图像，将其转换为张量，然后标准化张量中的值。（有关此标准化的更多信息，请参阅 torchvision.models_ 的文档。）
之后，我们打开文件并应用变换。变换返回形状为 (3, 224, 224) 的张量 - 224x224 图像的 3 个颜色通道。因为我们需要将此单个图像制成批次，所以我们使用 unsqueeze_(0) 调用来通过添加新的第一维来就地修改张量。张量包含相同的数据，但现在形状为 (1, 3, 224, 224)。
一般来说，即使您不处理图像数据，您也需要将来自 HTTP 请求的输入转换为 PyTorch 可以使用的张量。
推理¶
def get_prediction(input_tensor):
outputs = model.forward(input_tensor)
_, y_hat = outputs.max(1)
prediction = y_hat.item()
return prediction
推理本身是最简单的部分：当我们将输入张量传递给模型时，我们得到一个值张量，该张量表示模型估计的图像属于特定类别的可能性。max() 调用找到具有最大可能性值的类，并返回该值以及 ImageNet 类索引。最后，我们使用 item() 调用从包含类索引的张量中提取该类索引，并返回它。
后处理¶
def render_prediction(prediction_idx):
stridx = str(prediction_idx)
class_name = 'Unknown'
if img_class_map is not None:
if stridx in img_class_map is not None:
class_name = img_class_map[stridx][1]
return prediction_idx, class_name
render_prediction() 方法将预测的类索引映射到人类可读的类标签。通常，在从模型获得预测后，执行后处理以使预测准备好供人消费或供另一段软件使用。
运行完整的 Flask 应用程序¶
将以下内容粘贴到名为 app.py 的文件中
import io
import json
import os
import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image
from flask import Flask, jsonify, request
app = Flask(__name__)
model = models.densenet121(pretrained=True) # Trained on 1000 classes from ImageNet
model.eval() # Turns off autograd
img_class_map = None
mapping_file_path = 'index_to_name.json' # Human-readable names for Imagenet classes
if os.path.isfile(mapping_file_path):
with open (mapping_file_path) as f:
img_class_map = json.load(f)
# Transform input into the form our model expects
def transform_image(infile):
input_transforms = [transforms.Resize(255), # We use multiple TorchVision transforms to ready the image
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], # Standard normalization for ImageNet model input
[0.229, 0.224, 0.225])]
my_transforms = transforms.Compose(input_transforms)
image = Image.open(infile) # Open the image file
timg = my_transforms(image) # Transform PIL image to appropriately-shaped PyTorch tensor
timg.unsqueeze_(0) # PyTorch models expect batched input; create a batch of 1
return timg
# Get a prediction
def get_prediction(input_tensor):
outputs = model.forward(input_tensor) # Get likelihoods for all ImageNet classes
_, y_hat = outputs.max(1) # Extract the most likely class
prediction = y_hat.item() # Extract the int value from the PyTorch tensor
return prediction
# Make the prediction human-readable
def render_prediction(prediction_idx):
stridx = str(prediction_idx)
class_name = 'Unknown'
if img_class_map is not None:
if stridx in img_class_map is not None:
class_name = img_class_map[stridx][1]
return prediction_idx, class_name
@app.route('/', methods=['GET'])
def root():
return jsonify({'msg' : 'Try POSTing to the /predict endpoint with an RGB image attachment'})
@app.route('/predict', methods=['POST'])
def predict():
if request.method == 'POST':
file = request.files['file']
if file is not None:
input_tensor = transform_image(file)
prediction_idx = get_prediction(input_tensor)
class_id, class_name = render_prediction(prediction_idx)
return jsonify({'class_id': class_id, 'class_name': class_name})
if __name__ == '__main__':
app.run()
要从 shell 提示符启动服务器，请发出以下命令
FLASK_APP=app.py flask run
默认情况下，您的 Flask 服务器正在端口 5000 上监听。服务器运行后，打开另一个终端窗口，并测试您的新推理服务器
curl -X POST -H "Content-Type: multipart/form-data" http://localhost:5000/predict -F "[email protected]"
如果一切设置正确，您应该收到类似于以下的响应
{"class_id":285,"class_name":"Egyptian_cat"}
重要资源¶
pytorch.org，获取安装说明以及更多文档和教程
