Flask之最易懂的基礎教程一（2020年最新-從入門到精通）-CSDN博客

Flask程序運行過程：

所有Flask程序必須有一個程序實例。

Flask調用視圖函數(shù)后，會將視圖函數(shù)的返回值作為響應的內容，返回給客戶端。一般情況下，響應內容主要是字符串和狀態(tài)碼。

用戶向瀏覽器發(fā)送http請求，web服務器把客戶端所有請求交給Flask程序實例，程序用Werkzeug來做路由分發(fā)，每個url請求，找到具體的視圖函數(shù)。路由的實現(xiàn)是通過route裝飾器實現(xiàn)的，調用視圖函數(shù)，獲取數(shù)據(jù)后，把數(shù)據(jù)傳入模塊中，模塊引擎渲染響應的數(shù)據(jù)，由Flask返回給瀏覽器。

?

二、Flask框架
1. 簡介
是一個非常小的框架，可以稱為微型框架，只提供了一個強勁的核心，其他的功能都需要使用拓展來實現(xiàn)。意味著可以根據(jù)自己的需求量身打造；
2. 組成
調試、路由、wsgi系統(tǒng)
模板引擎(Jinja2)
3. 安裝
pip install flask文章來源地址http://www.zghlxwxcb.cn/news/detail-852047.html

響應端? flask_server.py

import io
import json
import flask
import torch
import torch
import torch.nn.functional as F
from PIL import Image
from torch import nn
#from torchvision import transforms as T
from torchvision import transforms, models, datasets
from torch.autograd import Variable

# 初始化Flask app
app = flask.Flask(__name__)
model = None
use_gpu = False

# 加載模型進來
def load_model():
    """Load the pre-trained model, you can use your model just as easily.
    """
    global model
    #這里我們直接加載官方工具包里提供的訓練好的模型（代碼會自動下載）括號內參數(shù)為是否下載模型對應的配置信息
    model = models.resnet18()
    num_ftrs = model.fc.in_features
    model.fc = nn.Sequential(nn.Linear(num_ftrs, 102))  # 類別數(shù)自己根據(jù)自己任務來

    #print(model)
    checkpoint = torch.load('best.pth')
    model.load_state_dict(checkpoint['state_dict'])
    #將模型指定為測試格式
    model.eval()
    #是否使用gpu

    if use_gpu:
        model.cuda()

# 數(shù)據(jù)預處理
def prepare_image(image, target_size):
    """Do image preprocessing before prediction on any data.

    :param image:       original image
    :param target_size: target image size
    :return:
                        preprocessed image
    """
    #針對不同模型，image的格式不同，但需要統(tǒng)一至RGB格式
    if image.mode != 'RGB':
        image = image.convert("RGB")

    # Resize the input image and preprocess it.(按照所使用的模型將輸入圖片的尺寸修改，并轉為tensor)
    image = transforms.Resize(target_size)(image)
    image = transforms.ToTensor()(image)

    # Convert to Torch.Tensor and normalize. mean與std   （RGB三通道）這里的參數(shù)和數(shù)據(jù)集中是對應的，訓練過程中一致
    image = transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])(image)

    # Add batch_size axis.增加一個維度，用于按batch測試   本次這里一次測試一張
    image = image[None]
    if use_gpu:
        image = image.cuda()
    return Variable(image, volatile=True) #不需要求導

# 開啟服務   這里的predict只是一個名字，可自定義
@app.route("/predict", methods=["POST"])
def predict():
    # Initialize the data dictionary that will be returned from the view.
    #做一個標志，剛開始無圖像傳入時為false，傳入圖像時為true
    data = {"success": False}

    # 如果收到請求
    if flask.request.method == 'POST':
        #判斷是否為圖像
        if flask.request.files.get("image"):
            # Read the image in PIL format
            # 將收到的圖像進行讀取
            image = flask.request.files["image"].read()
            image = Image.open(io.BytesIO(image)) #二進制數(shù)據(jù)

            # 利用上面的預處理函數(shù)將讀入的圖像進行預處理
            image = prepare_image(image, target_size=(64, 64))

            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())

            #將data字典增加一個key,value,其中value為list格式
            data['predictions'] = list()

            # Loop over the results and add them to the list of returned predictions
            for prob, label in zip(results[0][0], results[1][0]):
                #label_name = idx2label[str(label)]
                r = {"label": str(label), "probability": float(prob)}
                #將預測結果添加至data字典
                data['predictions'].append(r)

            # Indicate that the request was a success.
            data["success"] = True
    # 將最終結果以json格式文件傳出
    return flask.jsonify(data)

"""
test_json = {
                "status_code": 200,
                "success": {
                            "message": "image uploaded",
                            "code": 200
                        },
                "video":{
                    "video_name":opt['source'].split('/')[-1],
                    "video_path":opt['source'],
                    "description":"1",
                    "length": str(hour)+','+str(minute)+','+str(round(second,4)),
                    "model_object_completed":model_flag
                    }
                    "status_txt": "OK"
                    }
                    response = requests.post(
                        'http://xxx.xxx.xxx.xxx:8090/api/ObjectToKafka/',,
                        data={'json': str(test_json)})
"""

if __name__ == '__main__':
    print("Loading PyTorch model and Flask starting server ...")
    print("Please wait until server has fully started")
    #先加載模型
    load_model()
    #再開啟服務
    app.run(port='5012')

?請求端? flask_predict.py

import requests
import argparse

# url和端口攜程自己的
flask_url = 'http://127.0.0.1:5012/predict'


def predict_result(image_path):
    #啥方法都行
    image = open(image_path, 'rb').read()
    payload = {'image': image}
    #request發(fā)給server.
    r = requests.post(flask_url, files=payload).json()

    # 成功的話在返回.
    if r['success']:
        # 輸出結果.
        for (i, result) in enumerate(r['predictions']):
            print('{}. {}: {:.4f}'.format(i + 1, result['label'],
                                          result['probability']))
    # 失敗了就打印.
    else:
        print('Request failed')


if __name__ == '__main__':
    parser = argparse.ArgumentParser(description='Classification demo')
    parser.add_argument('--file', default=r'D:\paogu\flask預測\flower_data\train\1\image_06734.jpg', type=str, help='test image file')

    args = parser.parse_args()
    predict_result(args.file)

到了這里，關于基于Flask測試深度學習模型預測的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！