【Pytorch框架flask部署简单例子—图像识别分类】

写在前面

Flask是一种用Python编写的轻量级Web框架，可以帮助您快速构建Web应用程序。

如果我们正在使用PyTorch框架开发深度学习应用程序，并希望将其部署到Web服务器上，则可以使用Flask框架实现。本文将介绍如何使用Flask对前一篇博客中所编写的基于PyTorch框架的图像分类模型进行本地部署，共包含两个py文件（flask_server.py和flask_predict.py），分别表示服务端和客户端，以实现对该模型的远程访问和使用，下文将会详细介绍。（点击这里：基于PyTorch实现经典网络架构的花卉图像分类模型）

在使用Flask部署PyTorch应用程序之前，需要在本地计算机上安装Flask库，若pip install flask下载速度过慢，可换成conda install flask（安装了anaconda3），就能很快下载完毕。

1.flask_server服务端

1.1 初始化flask app

创建一个名为app的Flask对象，并将__name__作为参数传递给它（__name__是一个特殊变量，它表示当前模块的名称，通常用于确定应用程序根目录的位置）。接着创建一个名为model的变量，并将其初始化为None，该变量将用于存储训练好的PyTorch模型。再创建一个名为use_gpu的布尔变量，并将其初始化为False，这个变量将用于控制是否使用GPU加速模型的计算（GPU不错的小伙伴建议为True）。

初始化的流程较为固定，可作为模板进行使用，代码如下：

app = flask.Flask(__name__)
model = None
use_gpu = False

1.2 加载模型

定义一个load_model函数，传入训练模型model、相应结构和参数。需要注意的是，model的值需与训练时所用模型相同（重要！！），同时将model声明为全局变量。

接着重新定义全连接层（102表示最后输出的类别，需根据自身任务来确定），再加载best.pth文件（best.pth存储着训练时效果最好的参数，与前篇博客是同一文件），再使用model.load_state_dict()函数将保存的模型参数加载到我们定义的模型中.

最后使用model.eval()函数将模型设置为验证模式，这将禁用例如dropout和batch normalization等一些训练时的策略，输出分类的概率值。

def load_model():
    """Load the pre-trained model, you can use your model just as easily.
    """
    global model
    #这里我们直接加载官方工具包里提供的训练好的模型（代码会自动下载）括号内参数为是否下载模型对应的配置信息
    model = models.resnet18()
    num_ftrs = model.fc.in_features
    model.fc = nn.Sequential(nn.Linear(num_ftrs, 102))  # 类别数自己根据自己任务来
    #print(model)
    checkpoint = torch.load('best.pth')
    model.load_state_dict(checkpoint['state_dict'])
    #将模型指定为测试格式
    model.eval()
    #是否使用gpu
    if use_gpu:
        model.cuda()

1.3 数据预处理

数据预处理部分大致与验证集相似。不同之处在于添加了一个格式转换，有可能请求端所给image的格式不同，因此我们需要将其统一至RGB格式（训练时所用格式）。

def prepare_image(image, target_size):
    #针对不同模型，image的格式不同，但需要统一至RGB格式
    if image