业务化是指将模型进行有针对性地生产部署，以满足实际应用场景的需求。
如一个集团公司用于安防的人脸识别系统，其模型可能设在总部机房，而实时图像为各个分公司门卫的摄像头所获取。根据摄像头捕获的人脸图像实时判断是否开关门禁就是一个实际应用场景，如何满足这样的需求就牵扯到模型部署的具体方式方法。
模型部署与建模训练可以认为是两个独立的问题，这可有点难倒本人了，不过开发出来的模型若不能用于实际生产那又有什么意义呢？ 这当然不能忍，在一顿查阅加实践调试后，就有了这篇学习小结，供大家参考。
---— 1.后台框架 —---
笔者选择Flask作为开发后台。
Flask是一个基于Python编写的Web应用框架，相对于Django及Tornado，Flask可以说是一个轻量级选手，灵活、可扩展性强（主要是容易上手），很适用于开发中小型网站或应用服务。
# 使用以下命令进行安装
pip install Flask
---— 2.深度学习框架 —---
要部署的模型则是基于Keras深度学习框架下（以TensorFlow为后端）训练保存的模型，其格式为HDF5，需同时含有网络结构信息与权重信息。因此需要在服务器端安装TensorFlow及Keras，若需要使用显卡加速，则还需安装CUDA及cuDNN，并升级TensorFlow为GPU版本。
---— 3.工作原理 —---
Flask的基本工作模式为：在程序里将一个函数分配给一个URL（Uniform Resource Locator，每一个信息资源在网上具有的唯一地址），每当有用户访问这个URL并发送请求时，系统就会执行此URL预分配好的函数，同时获取函数的返回值并将其显示到浏览器上。
上述客户端与服务端的链接通过WSGI（Web Server Gateway Interface，服务器网关接口）进行建立。
---— 4.代码解析 —---
显而易见，完整地部署生产模型需要涉及到客户端与服务端两侧的代码设置，一个负责发送请求，一个负责处理回复，下面我们将通过代码的形式逐一进行解析。
服务端侧
# 使用显卡加速时，根据ID指定特定的显卡
import os
os.environ["CUDA\_VISIBLE\_DEVICES"] = "0"
# 调整显存使用率，方便服务器快速启动
import tensorflow as tf
config=tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth=True
sess=tf.compat.v1.Session(config=config)
# 加载其他所需组件
from keras.preprocessing.image import img_to_array
from keras.models import load_model
from keras.applications import imagenet_utils
from PIL import Image
import numpy as np
import flask
import io
# 新建一个应用服务实例及定义保存模型的变量名
app = flask.Flask(__name__)
model = None
# 加载事先训练好的模型，注意这里函数名为load\_model2旨在为避免与keras的load\_model重名而报错
def load\_model2():
# 设为全局变量，确保调用正确
global model
model =load_model('model\_name.h5')
# 图片预处理过程
def prepare\_image(image, target):
# 如果文件通道非RGB排列则调整为RGB
if image.mode != "RGB":
image = image.convert("RGB")
# 尺寸缩放及数据格式调整
image = image.resize(target)
image = img_to_array(image)
image = np.expand_dims(image, axis=0)
image = imagenet_utils.preprocess_input(image)
# 返回处理后结果
return image
# 使用函数装饰器对新建的服务实例进行地址与请求方式的扩展设置
@app.route("/predict", methods=["POST"])
# 图像识别判断函数，若将load\_model写入则每次发送请求都会加载一次模型
def predict():
# 初始化状态值
data = {"success": False}
# 判断请求方式是否为POST,若为真则读入图片
if flask.request.method == "POST":
if flask.request.files.get("image"):
image = flask.request.files["image"].read()
image = Image.open(io.BytesIO(image))
# 对图像进行预处理
image = prepare_image(image, target=(224, 224))
# 使用模型进行识别
preds = model.predict(image)
# 将识别结果进行转换
fct=np.argmax(preds, axis=1)+1
# 创建返回结果的字典
data["predictions"] = []
# 保存识别结果及对应的概率
r = {"能见度等级": str(fct[0]), "probability": str(preds[0][fct[0]-1])}
# 将结果存放入字典中
data["predictions"].append(r)
# 改变状态值
data["success"] = True
# 服务端显示结果
print(data)
# 将结果以JSON格式返回
return flask.jsonify(data)
if __name__ == "\_\_main\_\_":
# 加载模型
load_model2()
# 启动服务（若出现thread\_local错误，请在run中添加threaded=False，或升级keras版本）
app.run()
客户端侧
# 加载所需组件
import requests
# 设置URL地址
KERAS_REST_API_URL = "http://localhost:5000/predict"
# 设置图像文件地址
IMAGE_PATH = "test.jpg"
# 读取图像并将其保存在字典中进行发送
image = open(IMAGE_PATH, "rb").read()
payload = {"image": image}
# 以POST发送请求，并将返回的JSON格式进行解析
r = requests.post(KERAS_REST_API_URL, files=payload).json()
# 确保服务端程序执行正确，并显示结果，否则提示请求失败
if r["success"]:
print(r["predictions"])
else:
print("Request failed")
---— 5.结果展示 —---
#首先启动服务
python keras_serve.py
#由于在本地调式未启用WSGI服务，会有warning提示，另在生产环境中切勿使用debug模式。
开启应用后，服务端界面
#其次发送请求
python client_request.py
发送请求后，用户端界面
服务端界面
更多阅读
特别推荐
程序员摸鱼指南
为你精选的硅谷极客资讯，
来自FLAG巨头开发者、技术、创投一手消息
点击下方阅读原文加入 社区会员