在本教程中，我們將介紹一個(gè)簡(jiǎn)單的方法來(lái)獲取Keras模型并將其部署為REST API。本文所介紹的示例將作為你構(gòu)建自己的深度學(xué)習(xí)API的模板/起點(diǎn)——你可以擴(kuò)展代碼，根據(jù)API端點(diǎn)的可伸縮性和穩(wěn)定性對(duì)其進(jìn)行定制。

具體而言，我們將了解：

· 如何(以及如何不)將Keras模型加載到內(nèi)存中，以便有效地進(jìn)行推理

· 如何使用Flask web框架為我們的API創(chuàng)建端點(diǎn)

· 如何使用我們的模型進(jìn)行預(yù)測(cè)，用JSON-ify轉(zhuǎn)換它們，并將結(jié)果反饋到客戶端

· 如何使用cURL和Python來(lái)調(diào)用我們的Keras REST API

在本教程結(jié)束時(shí)，你將能很好地理解創(chuàng)建Keras REST API所需的組件(以最簡(jiǎn)單的形式)。

請(qǐng)隨意使用本指南中提供的代碼作為你自己的深度學(xué)習(xí)REST API起點(diǎn)。

配置開發(fā)環(huán)境

假設(shè)Keras已經(jīng)配置并安裝在你的機(jī)器上。如果沒(méi)有，請(qǐng)確保使用官方安裝說(shuō)明安裝Keras(https://keras.io/#installation)。

然后，需要安裝Flask (http://flask.pocoo.org/)(及其相關(guān)的依賴項(xiàng))，一個(gè)Python web框架，這樣就可以構(gòu)建API端點(diǎn)了。還需要請(qǐng)求(http://docs.python-requests.org/en/master/)，這樣就可以使用API了。

有關(guān)的pip安裝命令如下：

$ pip install flask gevent requests pillow

構(gòu)建你的Keras REST API

Keras REST API獨(dú)立于一個(gè)名為run_keras_server.py的文件中。為了簡(jiǎn)單起見(jiàn)，我們將安裝保存在一個(gè)文件中——安裝啟用也可以很容易地模塊化。

在 run_keras_server.py中，你會(huì)發(fā)現(xiàn)三個(gè)函數(shù)，即：

· load_model：用于加載訓(xùn)練好的Keras模型，并為推理做準(zhǔn)備。

· prepare_image：這個(gè)函數(shù)在通過(guò)我們的網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)之前對(duì)輸入圖像進(jìn)行預(yù)處理。如果你沒(méi)有使用圖像數(shù)據(jù)，則可能需要考慮將名稱更改為更通用的prepare_datapoint，并應(yīng)用一些可能需要的縮放/標(biāo)準(zhǔn)化。

· predict：API的實(shí)際端點(diǎn)可以將請(qǐng)求中的輸入數(shù)據(jù)分類，并將結(jié)果反饋給客戶端。

# import the necessary packagesfrom keras.applications import ResNet50from keras.preprocessing.image import img_to_arrayfrom keras.applications import imagenet_utilsfrom PIL import Imageimport numpy as npimport flaskimport io

# initialize our Flask application and the Keras modelapp = flask.Flask(__name__)model = None

第一個(gè)代碼片段處理導(dǎo)入了所需的程序包，并且對(duì)Flask應(yīng)用程序和模型進(jìn)行了初始化。

在此，我們定義load_model函數(shù)：

def load_model():

# load the pre-trained Keras model (here we are using a model

# pre-trained on ImageNet and provided by Keras, but you can

# substitute in your own networks just as easily)

global model

model = ResNet50(weights="imagenet")

顧名思義，這個(gè)方法負(fù)責(zé)將我們的架構(gòu)實(shí)例化，并從磁盤加載權(quán)重。

為了簡(jiǎn)單起見(jiàn)，將使用在ImageNet數(shù)據(jù)集上預(yù)先訓(xùn)練過(guò)的ResNet50架構(gòu)。

如果你正在使用自定義模型，則需要修改此函數(shù)以從磁盤加載架構(gòu)+權(quán)重。

在對(duì)任何來(lái)自客戶端的數(shù)據(jù)進(jìn)行預(yù)測(cè)之前，首先需要準(zhǔn)備并預(yù)處理數(shù)據(jù)：

def prepare_image(image, target):

# if the image mode is not RGB, convert it

if image.mode != "RGB":

image = image.convert("RGB")

# resize the input image and preprocess it

image = image.resize(target)

image = img_to_array(image)

image = np.expand_dims(image, axis=0)

image = imagenet_utils.preprocess_input(image)

# return the processed image

return image

這個(gè)函數(shù)：

· 接受輸入圖像

· 將模式轉(zhuǎn)換為RGB(如果需要)

· 將大小調(diào)整為224x224像素(ResNet的輸入空間維度)

· 通過(guò)平均減法數(shù)組和縮放對(duì)陣列進(jìn)行預(yù)處理

此外，在通過(guò)模型傳遞輸入數(shù)據(jù)之前，應(yīng)該根據(jù)某一預(yù)處理、縮放或標(biāo)準(zhǔn)化來(lái)修改這個(gè)函數(shù)。

現(xiàn)在可以定義predict函數(shù)了——該方法會(huì)處理對(duì)/predict端點(diǎn)的任何請(qǐng)求：

@app.route("/predict

總結(jié)

以上是生活随笔為你收集整理的keras安装_代码详解：构建一个简单的Keras+深度学习REST API的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。