深度学习模型部署——Flask框架轻量级部署+阿里云服务器
项目场景：
因为参加一个比赛，需要把训练好的深度学习模型部署到web端，第一次做，在网上也搜索了很多教程，基本上没有适合自己的，只有一个b站up主讲的还不错https://www.bilibili.com/video/BV1Qv41117SR/?spm_id_from=333.999.0.0&vd_source=6ca6a313467efae52a28428a64104c10https://www.bilibili.com/video/BV1Qv41117SR/?spm_id_from=333.999.0.0&vd_source=6ca6a313467efae52a28428a64104c10在前端的一部分html语言借鉴了这个up主，有兴趣的可以去看看。在部署的时候遇到了很多坑，就想记录一下，仅代表个人看法
项目场景：角膜疾病图片识别算法（pytorch环境），用Flask轻量级框架部署到web端并部署到阿里云服务器进行测试。
流程：
1.写预测函数
1.1将训练好的模型参数加载到模型中去
checkpoint_path = "/model_best.pth.tar" #训练好的模型参数（要注意保存模型的时候是保存了模型还是模型参数，这里是模型参数）
model = res50Encoder(attention_map_num, class_num) #加载模型
model.load_state_dict(torch.load(checkpoint_path,map_location='cpu')['state_dict'])#(将参数加载到模型中去)
model.eval() #pytorch框架会自动把BN和Dropout固定住，直接用训练好的值
1.2 数据预处理模块
data_transform = transforms.Compose([
transforms.Resize((n, m)),
transforms.CenterCrop(num),
transforms.ToTensor(),
transforms.Normalize(a，b),
]) #根据自己的模型，写出数据预处理模块，n，m，num，a，b按照自己的模型填写
1.3 加载数据（我是图片的二进制格式）
img = Image.open(io.BytesIO(image_bytes)) #将图片的二进制文件转化
img = data_transform(img) #数据变换
img = img.float().unsqueeze(0) #数据调整维度
1.4 数据标签，根据自己的模型数据集的标签定义
class_labels=['','',''] #自己往''填label
1.5 开始预测
with torch.no_grad():
attention_maps, _, output1, coarse_logits= model(img.cpu())
refined_input = mask2bbox(attention_maps, img.cpu())
_, _, output2, _= model(refined_input)
output = (output1 + output2) / 2
output = torch.softmax(output, dim=-1)
#根据output输出标签值
_, pred = torch.max(output, 1)
pred_label = class_labels[pred.item()]
2. 利用Flask框架部署
直接看代码吧，这是app.py
#app.py
from flask import Flask, jsonify, request
from yuce import pred
from flask_cors import CORS
import flask
app = Flask(__name__)
CORS(app) #跨域问题
@app.route('/predict', methods=['POST'])
def predict():
if request.method == 'POST':
file = request.files['file']
print(file)
img_bytes = file.read()
class_name = pred(img_bytes) #预测函数pred（）（第一个步骤写的）
if(class_name ):
print("结果:"+class_name)
else:
print("error")
return jsonify({ 'class_name': class_name})
return jsonify({"your call is GET"}) #将化成标签json格式
@app.route("/",methods = ['POST','GET'])
def root():
return flask.render_template("upload.html") #前端交互界面
if __name__ == '__main__':
app.run(host="0.0.0.0",port=80,debug=True)
3.写前端交互界面upload.html（借鉴b站up主，前面有提到）
可自行去up主的GitHub下载https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/deploying_service/deploying_pytorchhttps://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/deploying_service/deploying_pytorch
4.在本地成功跑起来后，可以得到这样一个界面
然后就可以自行上传图片进行预测
5.阿里云服务器部署
5.1首先要准备一个阿里云服务器，新人有一个月的优惠，但是只能租用cpu，所以如果你的模型是gpu请自行购买gpu服务器，当然你也可以改变你的模型，用cpu跑（因为穷，所以我就把模型改成cpu跑，从第一步的代码可以看出，当然要小心输入要一致，也要用.cpu）。然后我选择的是ubuntu系统
5.2准备好xshell7和xftp7两个软件，xshelll7是可以登录你的ssh，然后用来跑代码。xftp7是上传文件，可以从本地把文件传到服务器上去。
xshell7登录：
将自己的ssh填上去，然后用户身份验证进行登录。
xftp7登录：和上图差不多
然后就可以在服务器上跑代码，但是要注意安装相对应的库，需要小心代码中的路径问题，当服务器上面成功跑起来，就可以用公网IP访。（再将公网IP部署到你的域名，就可以访问网址，注意备案！！，不然会被封号）
问题描述+解决问题
部署过程中遇到很多困难
1.注意安装jQuery库，可以去up主的github上直接下载，注意安装到static库下面
2.注意你买的服务器类型，如果是cpu要修改输入！！！
#(将参数加载到模型中去)
model.load_state_dict(torch.load(checkpoint_path,map_location='cpu')['state_dict'])
#注意img.cpu()
attention_maps, _, output1, coarse_logits= model(img.cpu())
refined_input = mask2bbox(attention_maps, img.cpu())
3.部署到服务器上去可能会遇到无法响应的情况，可能是端口没有开启，可以去阿里云的网络安全组开启端口，我的端口是80，可以在下图中自己手动修改！！开启后，打开要用公网ip！！！
如果还是无法访问可以自行查看阿里云的帮助ECS实例的安全组规则未生效_云服务器 ECS-阿里云帮助中心
小结：
第一次自己部署深度模型，经验不足，仅供参考。
