AI模型从训练到部署：源码示例

当涉及到从训练到部署AI模型的源码示例时，具体的实施方法取决于你使用的具体框架、模型类型和部署环境。以下是一个示例，演示了使用TensorFlow和Flask将一个训练的图像分类模型部署为一个Web应用程序。

1. 训练模型： 首先，你需要使用TensorFlow（或其他深度学习框架）训练你的模型。这里假设你已经有一个训练好的图像分类模型，并保存为model.h5文件。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten, Conv2D, MaxPooling2D

# 构建模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

# 编译和训练模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10)

# 保存模型
model.save('model.h5')

1. 创建Web应用程序： 接下来，你可以使用Flask（或其他Web框架）创建一个Web应用程序，从而将模型部署为一个可访问的API。

from flask import Flask, request, jsonify
from tensorflow.keras.models import load_model
import numpy as np

app = Flask(__name__)

# 加载模型
model = load_model('model.h5')

# 定义分类标签
class_labels = ['cat', 'dog', 'bird', 'fish']

# 定义预处理函数
def preprocess_image(image):
    # 预处理图像，比如调整大小和归一化
    processed_image = image / 255.0
    return processed_image

@app.route('/predict', methods=['POST'])
def predict():
    # 获取图像数据
    image = request.files['image'].read()
    nparr = np.fromstring(image, np.uint8)
    img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)

    # 预处理图像
    processed_image = preprocess_image(img)

    # 进行预测
    prediction = model.predict(np.array([processed_image]))
    predicted_class = np.argmax(prediction)

    # 返回预测结果
    response = {'class': class_labels[predicted_class]}
    return jsonify(response)

if __name__ == '__main__':
    app.run()

以上是一个简单的示例，它演示了如何使用TensorFlow和Flask将图像分类模型部署为一个Web应用程序。但请注意，具体的实施方法取决于你的具体需求和技术栈选择。你可能需要根据自己的情况进行适当的修改和调整。