在本教程中，我們將使用Flask來部署PyTorch模型，並用講解用於模型推斷的 REST API。特別是，我們將部署一個預訓練的DenseNet 121模型來檢測圖像。

備註：
可在https://github.com/avinassh/pytorch-flask-api上獲取本文用到的完整代碼

這是在生產中部署PyTorch模型的系列教程中的第一篇。到目前為止，以這種方式使用Flask是開始為PyTorch模型提供服務的最簡單方法，但不適用於具有高性能要求的用例。因此：

• 如果您已經熟悉TorchScript，則可以直接進入我們的https://github.com/fendouai/PyTorchDocs/blob/master/EigthSection/torchScript_in_C%2B%2B.md教程。
• 如果您首先需要複習TorchScript，請查看我們的https://github.com/fendouai/PyTorchDocs/blob/master/EigthSection/torchScript.md教程。

1.定義API

我們將首先定義API端點、請求和響應類型。我們的API端點將位於/ predict，它接受帶有包含圖像的file參數的HTTP POST請求。響應將是包含預測的JSON響應：

{"class_id": "n02124075", "class_name": "Egyptian_cat"}

2.依賴（包）

運行下面的命令來下載我們需要的依賴：

$ pip install Flask==1.0.3 torchvision-0.3.0

3.簡單的Web伺服器

以下是一個簡單的Web伺服器，摘自Flask文檔

from flask import Flaskapp = Flask(__name__)@app.route('/')def hello():    return 'Hello World!'

將以上代碼段保存在名為app.py的文件中，您現在可以通過輸入以下內容來運行Flask開發伺服器：

$ FLASK_ENV=development FLASK_APP=app.py flask run

當您在web瀏覽器中訪問http://localhost:5000/時，您會收到文本Hello World的問候！

我們將對以上代碼片段進行一些更改，以使其適合我們的API定義。首先，我們將重命名predict方法。我們將端點路徑更新為/predict。由於圖像文件將通過HTTP POST請求發送，因此我們將對其進行更新，使其也僅接受POST請求：

@app.route('/predict', methods=['POST'])def predict():    return 'Hello World!'

我們還將更改響應類型，以使其返回包含ImageNet類的id和name的JSON響應。更新後的app.py文件現在為：

from flask import Flask, jsonifyapp = Flask(__name__)@app.route('/predict', methods=['POST'])def predict():    return jsonify({'class_id': 'IMAGE_NET_XXX', 'class_name': 'Cat'})

4.推理

在下一部分中，我們將重點介紹編寫推理代碼。這將涉及兩部分，第一部分是準備圖像，以便可以將其饋送到DenseNet；第二部分，我們將編寫代碼以從模型中獲取實際的預測。

4.1 準備圖像

DenseNet模型要求圖像為尺寸為224 x 224的 3 通道RGB圖像。我們還將使用所需的均值和標準偏差值對圖像張量進行歸一化。你可以點擊https://pytorch.org/docs/stable/torchvision/models.html來了解更多關於它的內容。

我們將使用來自torchvision庫的transforms來建立轉換管道，該轉換管道可根據需要轉換圖像。您可以在https://pytorch.org/docs/stable/torchvision/transforms.html閱讀有關轉換的更多信息。

import ioimport torchvision.transforms as transformsfrom PIL import Imagedef transform_image(image_bytes):    my_transforms = transforms.Compose([transforms.Resize(255),                                        transforms.CenterCrop(224),                                        transforms.ToTensor(),                                        transforms.Normalize(                                            [0.485, 0.456, 0.406],                                            [0.229, 0.224, 0.225])])    image = Image.open(io.BytesIO(image_bytes))    return my_transforms(image).unsqueeze(0)

上面的方法以位元組為單位獲取圖像數據，應用一系列變換並返回張量。要測試上述方法，請以位元組模式讀取圖像文件（首先將../_static/img/sample_file.jpeg替換為計算機上文件的實際路徑），然後查看是否獲得了張量：

with open("../_static/img/sample_file.jpeg", 'rb') as f:    image_bytes = f.read()    tensor = transform_image(image_bytes=image_bytes)    print(tensor)

• 輸出結果：

tensor([[[[ 0.4508,  0.4166,  0.3994,  ..., -1.3473, -1.3302, -1.3473],          [ 0.5364,  0.4851,  0.4508,  ..., -1.2959, -1.3130, -1.3302],          [ 0.7077,  0.6392,  0.6049,  ..., -1.2959, -1.3302, -1.3644],          ...,          [ 1.3755,  1.3927,  1.4098,  ...,  1.1700,  1.3584,  1.6667],          [ 1.8893,  1.7694,  1.4440,  ...,  1.2899,  1.4783,  1.5468],          [ 1.6324,  1.8379,  1.8379,  ...,  1.4783,  1.7352,  1.4612]],         [[ 0.5728,  0.5378,  0.5203,  ..., -1.3704, -1.3529, -1.3529],          [ 0.6604,  0.6078,  0.5728,  ..., -1.3004, -1.3179, -1.3354],          [ 0.8529,  0.7654,  0.7304,  ..., -1.3004, -1.3354, -1.3704],          ...,          [ 1.4657,  1.4657,  1.4832,  ...,  1.3256,  1.5357,  1.8508],          [ 2.0084,  1.8683,  1.5182,  ...,  1.4657,  1.6583,  1.7283],          [ 1.7458,  1.9384,  1.9209,  ...,  1.6583,  1.9209,  1.6408]],         [[ 0.7228,  0.6879,  0.6531,  ..., -1.6476, -1.6302, -1.6476],          [ 0.8099,  0.7576,  0.7228,  ..., -1.6476, -1.6476, -1.6650],          [ 1.0017,  0.9145,  0.8797,  ..., -1.6476, -1.6650, -1.6999],          ...,          [ 1.6291,  1.6291,  1.6465,  ...,  1.6291,  1.8208,  2.1346],          [ 2.1868,  2.0300,  1.6814,  ...,  1.7685,  1.9428,  2.0125],          [ 1.9254,  2.0997,  2.0823,  ...,  1.9428,  2.2043,  1.9080]]]])

4.2 預測

現在將使用預訓練的DenseNet 121模型來預測圖像的類別。我們將使用torchvision庫中的一個庫，加載模型並進行推斷。在此示例中，我們將使用預訓練的模型，但您可以對自己的模型使用相同的方法。在這個https://pytorch.org/tutorials/beginner/saving_loading_models.html中了解有關加載模型的更多信息。

from torchvision import models# 確保使用`pretrained`作為`True`來使用預訓練的權重：model = models.densenet121(pretrained=True)# 由於我們僅將模型用於推理，因此請切換到「eval」模式：model.eval()def get_prediction(image_bytes):    tensor = transform_image(image_bytes=image_bytes)    outputs = model.forward(tensor)    _, y_hat = outputs.max(1)    return y_hat

張量y_hat將包含預測的類的id的索引。但是，我們需要一個易於閱讀的類名。為此，我們需要一個類id來命名映射。將https://s3.amazonaws.com/deep-learning-models/image-models/imagenet_class_index.json下載為imagenet_class_index.json並記住它的保存位置（或者，如果您按照本教程中的確切步驟操作，請將其保存在tutorials/_static中）。此文件包含ImageNet類的id到ImageNet類的name的映射。我們將加載此JSON文件並獲取預測索引的類的name。

import jsonimagenet_class_index = json.load(open('../_static/imagenet_class_index.json'))def get_prediction(image_bytes):    tensor = transform_image(image_bytes=image_bytes)    outputs = model.forward(tensor)    _, y_hat = outputs.max(1)    predicted_idx = str(y_hat.item())    return imagenet_class_index[predicted_idx]

在使用字典imagenet_class_index之前，首先我們將張量值轉換為字符串值，因為字典imagenet_class_index中的keys是字符串。我們將測試上述方法：

with open("../_static/img/sample_file.jpeg", 'rb') as f:    image_bytes = f.read()    print(get_prediction(image_bytes=image_bytes))

• 輸出結果：

['n02124075', 'Egyptian_cat']

你會得到這樣的一個響應：

['n02124075', 'Egyptian_cat']

數組中的第一項是ImageNet類的id，第二項是人類可讀的name。

注意：您是否注意到模型變量不是get_prediction方法的一部分？或者為什麼模型是全局變量？就內存和計算而言，加載模型可能是
一項昂貴的操作。如果將模型加載到get_prediction方法中，則每次調用該方法時都會不必要地加載該模型。由於我們正在構建Web服務
器，因此每秒可能有成千上萬的請求，因此我們不應該浪費時間為每個推斷重複加載模型。因此，我們僅將模型加載到內存中一次。在生
產系統中，必須有效利用計算以能夠大規模處理請求，因此通常應在處理請求之前加載模型。

5.將模型集成到我們的API伺服器中

在最後一部分中，我們將模型添加到Flask API伺服器中。由於我們的API伺服器應該獲取圖像文件，因此我們將更新predict方法以從請求中讀取文件：

from flask import request@app.route('/predict', methods=['POST'])def predict():    if request.method == 'POST':        # 從請求中獲得文件        file = request.files['file']        # 轉化為位元組        img_bytes = file.read()        class_id, class_name = get_prediction(image_bytes=img_bytes)        return jsonify({'class_id': class_id, 'class_name': class_name})

app.py文件現已完成。以下是完整版本；將路徑替換為保存文件的路徑，它的運行應是如下：

import ioimport jsonfrom torchvision import modelsimport torchvision.transforms as transformsfrom PIL import Imagefrom flask import Flask, jsonify, requestapp = Flask(__name__)imagenet_class_index = json.load(open('/imagenet_class_index.json'))model = models.densenet121(pretrained=True)model.eval()def transform_image(image_bytes):    my_transforms = transforms.Compose([transforms.Resize(255),                                        transforms.CenterCrop(224),                                        transforms.ToTensor(),                                        transforms.Normalize(                                            [0.485, 0.456, 0.406],                                            [0.229, 0.224, 0.225])])    image = Image.open(io.BytesIO(image_bytes))    return my_transforms(image).unsqueeze(0)def get_prediction(image_bytes):    tensor = transform_image(image_bytes=image_bytes)    outputs = model.forward(tensor)    _, y_hat = outputs.max(1)    predicted_idx = str(y_hat.item())    return imagenet_class_index[predicted_idx]@app.route('/predict', methods=['POST'])def predict():    if request.method == 'POST':        file = request.files['file']        img_bytes = file.read()        class_id, class_name = get_prediction(image_bytes=img_bytes)        return jsonify({'class_id': class_id, 'class_name': class_name})if __name__ == '__main__':    app.run()

讓我們測試一下我們的web伺服器，運行：

$ FLASK_ENV=development FLASK_APP=app.py flask run

我們可以使用https://pypi.org/project/requests/庫來發送一個POST請求到我們的app：

import requestsresp = requests.post("http://localhost:5000/predict",                     files={"file": open('/cat.jpg','rb')})

列印resp.json()會顯示下面的結果：

{"class_id": "n02124075", "class_name": "Egyptian_cat"}

6.下一步工作

我們編寫的伺服器非常瑣碎，可能無法完成生產應用程式所需的一切。因此，您可以採取一些措施來改善它：

• 端點/predict假定請求中總會有一個圖像文件。這可能不適用於所有請求。我們的用戶可能發送帶有其他參數的圖像，或者根本不發送任何圖像。
• 用戶也可以發送非圖像類型的文件。由於我們沒有處理錯誤，因此這將破壞我們的伺服器。添加顯式的錯誤處理路徑來引發異常，這將使我們
  能夠更好地處理錯誤的輸入
• 即使模型可以識別大量類別的圖像，也可能無法識別所有圖像。增強實現以處理模型無法識別圖像中的任何情況的情況。
• 我們在開發模式下運行Flask伺服器，該伺服器不適合在生產中進行部署。您可以查看https://flask.palletsprojects.com/en/1.1.x/tutorial/deploy/
  以在生產環境中部署Flask伺服器。
• 您還可以通過創建一個帶有表單的頁面來添加UI，該表單可以拍攝圖像並顯示預測。查看類似https://pytorch-imagenet.herokuapp.com/的演示及其https://github.com/avinassh/pytorch-flask-api-heroku。
• 在本教程中，我們僅展示了如何構建可以一次返回單個圖像預測的服務。我們可以修改服務以能夠一次返回多個圖像的預測。此外，https://github.com/ShannonAI/service-streamer
  庫自動將對服務的請求排隊，並將它們採樣到可用於模型的min-batches中。您可以查看https://github.com/ShannonAI/service-streamer/wiki/Vision-Recognition-Service-with-Flask-and-service-streamer。
• 最後，我們鼓勵您在頁面頂部查看連結到的有關部署PyTorch模型的其他教程。