本文主要记录在进行
Flask
部署过程中所使用的流程,遇到的问题以及相应的解决方案。
1、项目简介
该部分简要介绍一下前一段时间所做的工作:
- 基于深度学习实现一个简单的图像分类问题
- 借助flask框架将其部署到web应用中
- 并发要求较高
这是第一次进行深度学习模型的web应用部署,在整个过程中,进一步折射出以前知识面之窄,在不断的入坑、解坑中实现一版。
2、项目流程
这部分从项目实施的流程入手,记录所做的工作及用到的工具。
2.1 图像分类模型
1. 模型的选择
需要进行图像分类,第一反应是利用较为成熟与经典的分类网络结构,如VGG系列(VGG16, VGG19
),ResNet系列(如ResNet50
),InceptionV3
等。
考虑到是对未知类型的图像进行分类,且没有直接可用的训练数据,因此使用在Imagenet
上训练好的预训练模型,基本满足要求。
如果对性能(耗时)要求较为严格,则建议使用深度较浅的网络结构,如VGG16
, MobileNet
等。
其中,MobileNet
网络是为移动端和嵌入式端深度学习应用设计的网络,使得在cpu上也能达到理想的速度要求。是一种轻量级的深度网络结构。
MobileNet
由 Google 团队
提出,发表于 CVPR-2017
,论文标题:
《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》
2. 框架选择
-
平时使用
Keras
框架比较多,Keras
底层库使用Theano
或Tensorflow
,也称为Keras的后端。Keras
是在Tensorflow
基础上构建的高层API,比Tensorflow
更容易上手。 -
上述提到的分类网络,在
Keras
中基本已经实现,Keras中已经实现的网络结构如下所示: -
使用方便,直接导入即可,如下:
因此,选择Keras作为深度学习框架。
3. 代码示例
以Keras
框架,VGG16
网络为例,进行图像分类。
from keras.models import Model
from keras.applications.vgg16 import VGG16, preprocess_input
import keras.backend.tensorflow_backend as KTF
import tensorflow as tf
os.environ["CUDA_VISIBLE_DEVICES"] = "0,1" #使用GPU
# 按需占用GPU显存
gpu_options = tf.GPUOptions(allow_growth=True)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
KTF.set_session(sess)
# 构建model
base_model = VGG16(weights=‘imagenet’, include_top=True)
model = Model(inputs=base_model.input,
outputs=base_model.get_layer(layer).output) # 获取指定层的输出值,layer为层名
# 进行预测
img = load_image(img_name, target_size=(224, 224)) # 加载图片并resize成224x224
# 图像预处理
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
feature = model.predict(x) # 提取特征
复制代码
2.2 模型性能测试
将分类模型跑通后,我们需要测试他们的性能,如耗时、CPU占用率以及GPU显存占用率等。
1. 耗时
耗时是为了测试图像进行分类特征提取时所用的时间,包括图像预处理时间和模型预测时间的总和。
# 使用python中的time模块
import time
t0 = time.time()
....
图像处理和特征提取
....
print(time.time()-t0) #耗时,以秒为单位
复制代码
2. GPU显存占用
使用英伟达命令行nvidia-smi
可以查看显存占用率。
3. CPU占用
使用top
命令或htop
命令查看CPU占用率。
根据以上三个测试结果适时调整所采用的网络结构及显存占用选项。
2.3 Redis使用
Redis=Remote DIctionary Server
,是一个由Salvatore Sanfilippo写的高性能的key-value
存储系统。Redis是一个开源的使用ANSI C语言编写、遵守BSD协议、支持网络、可基于内存亦可持久化的日执行、key-value数据库,并提供多种语言的API。
Redis
支持存储的类型有string
, list
, set
, zset
和hash
,在处理大规模数据读写的场景下运用比较多。
1. 基本使用
安装redis
pip install redis
# 测试
import redis
复制代码
基本介绍
redis.py
提供了两个类:Redis
,StrictRedis
用于实现Redis
的命令
StrictRedis
用于实现大部分官方命令,并使用官方的语法和命令
Redis
是StrictRedis
的子类,用于向前兼容redis.py
一般情况下我们就是用StrictRedis
。
使用示例
# 1. 导入redis
from redis import StrictRedis
# 2. 连接数据库,指定host,端口号,数据库
r = StrictRedis(host=‘localhost’, port=6379, db=2)
# 3. 存储到redis中
r.set('test1', 'value1') # 单个数据存储
r.set('test2', 'value2')
# 4. 从redis中获取值
r.get('test1')
# 5. 批量操作
r.mset(k1='v1', k2='v2')
r.mset({'k1':'v1', 'k2':'v2'})
r.mget('k1', 'k2')
r.mget(['k1', 'k2'])
复制代码
2. Redis存储数组
Redis是不可以直接存储数组的,如果直接存储数组类型的数值,则获取后的数值类型发生变化,如下,存入numpy数组类型,获取后的类型是bytes
类型。
import numpy as np
from redis import StrictRedis
r = StrictRedis(host=‘localhost’, port=6379, db=2)
x1 = np.array(([0.2,0.1,0.6],[10.2,4.2,0.9]))
r.set('test1', x1)
>>> True
r.get('test1')
>>> b'[[ 0.2 0.1 0.6]\n [10.2 4.2 0.9]]'
type(r.get('test1')) #获取后的数据类型
>>> <class 'bytes'>
复制代码
为了保持数据存储前后类型一致,在存储数组之前将其序列化,获取数组的时候将其反序列化即可。
借助于python的pickle
模块进行序列化操作。
import pickle
r.set('test2', pickle.dumps(x1))
>>> True
pickle.loads(r.get('test2'))
>>> array([[ 0.2, 0.1, 0.6],
[10.2, 4.2, 0.9]])
复制代码
2.4 web开发框架——Flask
之前学习python语言,从来没有关注过
Web开发
这一章节,因为工作内容并没有涉及这一部分。如今需要重新看一下。
早期软件主要运行在桌面上,数据库这样的软件运行在服务器端,这种Client/Server
模式简称CS
架构。随着互联网的兴起,CS
架构不适合Web
,最大原因是Web应用程序的修改和升级非常频繁,CS架构
需要每个客户端逐个升级桌面App,因此,Browser/Server
模式开始流行,简称BS架构
。
在BS架构
下,客户端只需要浏览器,应用程序的逻辑和数据存储在服务器端,浏览器只需要请求服务器,获取Web页面,并把Web页面展示给用户即可。当前,Web页面也具有极强的交互性。
Python的诞生历史比Web还要早,由于Python是一种解释型的脚本语言,开发效率高,所以非常适合用来做Web开发。
Python有上百个开源的Web框架,比较熟知的有Flask
, Django
。接下来以Flask
为例,介绍如何利用Flask进行web部署。
关于web开发框架的介绍,可以参考下面这篇博文: 三个目前最火的Python Web开发框架,你值得拥有!
有关Flask
的具体用法可参考其他博文,这方面的资料比较全。下面主要以具体使用示例来说明:
1. 安装使用
-
安装Flask
pip install flask import flask # 导入 flask.__version__ # 版本 >>> '1.1.1' #当前版本 复制代码
-
一个简单的Flask示例
Flask使用Python的装饰器在内部自动的把
URL
和函数给关联起来。# app.py from flask import Flask, request app = Flask(__name__) #创建该类的实例 @app.route('/', methods=['GET', 'POST']) def home(): return 'Hello, Flask' if __name__ == '__main__': app.run() 复制代码
- 使用 route() 装饰器来告诉 Flask 触发函数的 URL;
- 函数名称被用于生成相关联的 URL。函数最后返回需要在用户浏览器中显示的信息。
运行该文件,会提示
* Running on http://127.0.0.1:5000/
,在浏览器中打开此网址,会看到‘Hello, Flask’字样。app.run的参数
app.run(host="0.0.0.0",port="5000", debug=True 复制代码
host
设定为0.0.0.0
,则可以让服务器被公开访问port
:指定端口debug
:是否开启debug模型,如果你打开 调试模式,那么服务器会在修改应用代码之后自动重启,并且当应用出错时还会提供一个 有用的调试器。
注意:绝对不能在生产环境 中使用调试器
2. Flask响应
视图函数的返回值会自动转换为一个响应对象。如果返回值是一个字符串,那么会被 转换为一个包含作为响应体的字符串、一个 200 OK
出错代码 和一个 text/html
类型的响应对象。如果返回值是一个字典,那么会调用 jsonify()
来产生一个响应。以下是转换的规则:
-
如果视图返回的是一个响应对象,那么就直接返回它。
-
如果返回的是一个字符串,那么根据这个字符串和缺省参数生成一个用于返回的 响应对象。
-
如果返回的是一个字典,那么调用 jsonify 创建一个响应对象。
-
如果返回的是一个元组,那么元组中的项目可以提供额外的信息。元组中必须至少 包含一个项目,且项目应当由 (response, status) 、 (response, headers) 或者 (response, status, headers) 组成。 status 的值会重载状态代码, headers 是一个由额外头部值组成的列表 或字典。
-
如果以上都不是,那么 Flask 会假定返回值是一个有效的 WSGI 应用并把它转换为一个响应对象。
JSON格式的API
JSON
格式的响应是常见的,用Flask写这样的 API 是很容易上手的。如果从视图 返回一个 dict
,那么它会被转换为一个 JSON 响应
。
@app.route("/me")
def me_api():
user = get_current_user()
return {
"username": user.username,
"theme": user.theme,
"image": url_for("user_image", filename=user.image),
}
复制代码
如果 dict
还不能满足需求,还需要创建其他类型的 JSON 格式响应,可以使用 jsonify()
函数。该函数会序列化任何支持的 JSON
数据类型。
@app.route("/users")
def users_api():
users = get_all_users()
return jsonify([user.to_json() for user in users])
复制代码
3. 运行开发服务器
-
通过命令行使用开发服务器
强烈推荐开发时使用 flask 命令行脚本( 命令行接口 ),因为有强大的重载功能,提供了超好的重载体验。基本用法如下:
$ export FLASK_APP=my_application $ export FLASK_ENV=development $ flask run 复制代码
这样做开始了开发环境(包括交互调试器和重载器),并在
http://localhost:5000/
提供服务。通过使用不同 run 参数可以控制服务器的单独功能。例如禁用重载器:
$ flask run --no-reload
-
通过代码使用开发服务器
另一种方法是通过 Flask.run() 方法启动应用,这样立即运行一个本地服务 器,与使用 flask 脚本效果相同。
示例:
if __name__ == '__main__': app.run() 复制代码
通常情况下这样做不错,但是对于开发就不行了。
2.5 使用Gunicorn
当我们执行上面的app.py
时,使用的flask
自带的服务器,完成了web服务的启动。在生产环境中,flask自带的服务器,无法满足性能要求,我们这里采用Gunicorn
做wsgi
容器,来部署flask
程序。
Gunicorn
(绿色独角兽)是一个Python WSGI UNIX HTTP
服务器。从Ruby的独角兽(Unicorn )项目移植。该Gunicorn
服务器作为wsgi app
的容器,能够与各种Web框架兼容,实现非常简单,轻量级的资源消耗。Gunicorn直接用命令启动,不需要编写配置文件,相对uWSGI要容易很多。
web开发中,部署方式大致类似。
安装及使用
pip install gunicorn
复制代码
如果想让Gunicorn
支持异步workers
的话需要安装以下三个包:
pip install gevent
pip install eventlet
pip install greenlet
复制代码
指定进程和端口号,启动服务器:
gunicorn -w 4 -b 127.0.0.1:5001 运行文件名称:Flask程序实例名
以上述app.py文件为例:
gunicorn -w 4 -b 127.0.0.1:5001 app:app
参数:
-w
: 表示进程(worker)。 -b
:表示绑定ip地址和端口号(bind)
查看gunicorn的具体参数,可执行gunicorn -h
通常将配置参数写入到配置文件中,如gunicorn_conf.py
重要参数:
bind
: 监听地址和端口workers
: worker进程的数量。建议值:2~4 x (NUM_CORES)
,缺省值是1.worker_class
:worker进程的工作方式。有:sync
(缺省值),eventlet
,gevent
,gthread
,tornado
threads
:工作进程中线程的数量。建议值:2~4 x (SUM_CORES)
,缺省值是1.reload
: 当代码有修改时,自动重启workers。适用于开发环境,默认为Falsedaemon
:应用是否以daemon
方式运行,是否以守护进程启动,默认Falseaccesslog
:访问日志文件路径errorlog
:错误日志路径loglevel
: 日志级别。debug, info, warning, error, critical
.
参数配置文件示例可见: gunicorn/example_config.py at master · benoitc/gunicorn
3、遇到的问题
待。。。。。