通过带有FLASK的REST API在PYTHON中部署PYTORCH

在本教程中，我们将使用Flask部署PyTorch模型，并公开用于模型推断的REST API。特别是，我们将部署预训练的DenseNet 121模型来检测图像。

TIP

All the code used here is released under MIT license and is available on Github.

 

API Definition

我们将首先定义API端点，请求和响应类型。我们的API端点将在/predict该端点接受带有file包含图像的参数的HTTP POST请求 。响应将是包含预测的JSON响应：

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

 

Dependencies

通过运行以下命令来安装所需的依赖项：

$ pip install Flask==1.0.3 torchvision-0.3.0

 

Simple Web Server

以下是一个简单的网络服务器，摘自Flask的文档

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

将以上代码段保存在一个名为的文件中app.py，现在可以通过输入以下内容来运行Flask开发服务器：

$ FLASK_ENV=development FLASK_APP=app.py flask run

当大家http://localhost:5000/在网络浏览器中访问时，会收到文字欢迎Hello World!

我们将对上面的代码片段进行一些更改，以使其适合我们的API定义。首先，我们将方法重命名为predict。我们将端点路径更新为/predict。由于图像文件将通过HTTP POST请求发送，因此我们将对其进行更新，使其也仅接受POST请求

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

我们还将更改响应类型，以使其返回包含ImageNet类ID和名称的JSON响应。更新后的app.py文件将是：

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

 

Inference

在下一部分中，我们将重点介绍编写推理代码。这将涉及两部分，第一部分是准备图像，以便可以将其馈送到DenseNet；第二部分，我们将编写代码以从模型中获取实际的预测。

 

Preparing the image

DenseNet模型要求图像为尺寸为224 x 224的3通道RGB图像。我们还将使用所需的均值和标准偏差值对图像张量进行归一化。可以在此处了解更多信息 。

我们将使用transforms来自torchvision库，并建立一个管道改造的要求，它改变我们的图像。可以在此处了解有关转换的更多信息。

import io
​
import torchvision.transforms as transforms
from PIL import Image
​
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)

上面的方法以字节为单位获取图像数据，应用一系列变换并返回张量。要测试上述方法，请以字节模式读取图像文件（首先将../_static/img/sample_file.jpeg替换为计算机上文件的实际路径），然后查看是否获得了张量：

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

输出：

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]]]])
​

 

Prediction

现在将使用预训练的DenseNet 121模型来预测图像类别。我们将使用torchvision库中的一个，加载模型并进行推断。尽管在此示例中将使用预训练的模型，但是可以对自己的模型使用相同的方法。在本教程中了解有关加载模型的更多信息。

from torchvision import models
​
# Make sure to pass `pretrained` as `True` to use the pretrained weights:
model = models.densenet121(pretrained=True)
# Since we are using our model only for inference, switch to `eval` mode:
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

张量y_hat将包含预测的类ID的索引。但是，我们需要一个人类可读的类名。为此，我们需要一个类ID来进行名称映射。将该文件下载 为，imagenet_class_index.json并记住它的保存位置（或者，如果您按照本教程中的确切步骤操作，请将其保存在 tutorials / _static中）。此文件包含ImageNet类ID到ImageNet类名称的映射。我们将加载此JSON文件并获取预测索引的类名称。

import json
​
imagenet_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imagenet_class_index字典之前，首先我们将张量值转换为字符串值，因为imagenet_class_index字典中的键 是字符串。我们将测试上述方法：

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

输出：

['n02124075', 'Egyptian_cat']

大家应该得到如下响应：

['n02124075', 'Egyptian_cat']

数组中的第一项是ImageNet类ID，第二项是人类可读的名称。

NOTE

大家是否注意到model变量不是get_prediction 方法的一部分？还是为什么模型是全局变量？就内存和计算而言，加载模型可能是一项昂贵的操作。如果我们在get_prediction方法中加载模型，则每次调用该方法时都会不必要地加载该模型 。由于我们正在构建一个Web服务器，因此每秒可能有成千上万的请求，因此我们不应该浪费时间为每个推断重复加载模型。因此，我们仅将模型加载到内存中一次。在生产系统中，必须有效使用计算以能够大规模处理请求，因此通常应在处理请求之前加载模型。

 

Integrating the model in our API Server

在最后一部分中，我们将模型添加到Flask API服务器中。由于我们的API服务器应该获取图像文件，因此我们将更新predict 方法以从请求中读取文件：

from flask import request
​
@app.route('/predict', methods=['POST'])
def predict():
    if request.method == 'POST':
        # we will get the file from the request
        file = request.files['file']
        # convert that to bytes
        img_bytes = file.read()
        class_id, class_name = get_prediction(image_bytes=img_bytes)
        return jsonify({'class_id': class_id, 'class_name': class_name})

该app.py文件现已完成。以下是完整版本；将路径替换为保存文件的路径，它应运行：

 

import io
import json
​
from torchvision import models
import torchvision.transforms as transforms
from PIL import Image
from flask import Flask, jsonify, request
​
​
app = Flask(__name__)
imagenet_class_index = json.load(open('<PATH/TO/.json/FILE>/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()

让我们测试一下我们的Web服务器！run：

$ FLASK_ENV=development FLASK_APP=app.py flask run

我们可以使用 请求 库将POST请求发送到我们的应用程序：

import requests
​
resp = requests.post("http://localhost:5000/predict",
                     files={"file": open('<PATH/TO/.jpg/FILE>/cat.jpg','rb')})

 

打印resp.json（）现在将显示以下内容：

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

 

Next steps

我们编写的服务器非常琐碎，可能无法完成生产应用程序所需的一切。因此，大家可以采取一些措施来改善它：

• 端点/predict假定在请求中总会有一个图像文件。并非所有请求都适用。我们的用户可能发送带有其他参数的图像，或者根本不发送任何图像。
• 用户也可以发送非图像类型的文件。由于我们没有处理错误，因此这将破坏我们的服务器。添加显式的错误处理路径将引发异常，这将使我们能够更好地处理错误的输入
• 即使模型可以识别大量类别的图像，也可能无法识别所有图像。增强实现以处理模型无法识别图像中的任何情况的情况。
• 我们在开发模式下运行Flask服务器，该服务器不适合在生产环境中进行部署。大家可以查看本教程 以在生产环境中部署Flask服务器。
• 大家也可以通过创建一个页面来添加用户界面，该页面带有一个用于获取图像并显示预测的表单。查看 类似项目的演示及其源代码。
• 在本教程中，我们仅展示了如何构建可以一次返回单个图像预测的服务。我们可以修改服务以能够一次返回多个图像的预测。此外，服务流媒体 库会自动将对服务的请求排队，并将请求采样到可用于模型的微型批次中。大家可以查看本教程。

 

接下来，给大家介绍一下租用GPU做实验的方法，我们是在智星云租用的GPU，使用体验很好。具体大家可以参考：智星云官网： http://www.ai-galaxy.cn/，淘宝店：https://shop36573300.taobao.com/公众号: 智星AI

​