本文详细介绍了一次基于华为ModelArts平台的深度学习与Flask应用实践，涵盖深度学习基础、图像分类模型构建及Flask后端服务搭建，通过实战演示了从前端上传图片到后端处理并返回分类结果的全过程。
前言
之前强化学习的课程老师鼓励参加华为云的比赛，慧科杯第一届人工智能应用创新大赛（又想去白嫖GPU的资源）首先大概说一下这个比赛，基于华为ModelArts平台，和之前学习的百度的AI studio 来说，最大的不同就是华为的notebook环境配置了tf（1.13）和pytorch的基本环境，可以说更加方便，在直播的答疑课上顺带学了学桶的机制，包括上传大规模文件的做法等等，收获还是挺多。这里只介绍我在这个平台想学的一部分东西。
参加的比赛内容简介
因为老师比较要求的是用强化学习去做，再加上前段时间比较忙，这里将我做的关于这次比赛的ppt在这分享一下，提前说一下，由于组员和时间安排的问题，比赛没有继续参加。
该实验主要是参考如下论文：
由于各种原因吧，包括分工等问题，也有自己的问题，比赛没能继续，但这其中包括对MIMIC医用数据集的处理过程让我将SQL的学习提上日程，关于深度强化学习和DQN等相关有机会再做整理。现在步入正题，慧科的网站留下了一系列比较好的课程，这里对课程的学习做一总结。
深度学习部分 基础+CV+NLP
这里的老师是开课吧的同济子豪兄的张子豪主讲，我更推荐大家去他的b站跟这门课的讲解：
链接: 【子豪兄】精讲CS231N斯坦福计算机视觉公开课（2020最新）.我全程跟下来最大的收获就是非常仔细，然后up借用自己收集的斯坦福的课程可视化实例讲解代码，还是非常直接和易懂的。
模型应用之FLASK
这个是我之前没有学过的，所以我跟着主讲老师的节奏一步步的学习:
安装与测试flask
安装成功：
备注：这里我用的是python3.6 (老师用的是3.7，但3.6应该也可以用)tensorflow 1.13.1gpu的版本，conda 10.0 开发IDE pycharm
新建一个flask项目，并指定解释器：
直接点右键运行得到的网址并打开 ：
网站寻址的过程可简述为：网址首先是找DNS的服务器，网址到IP的转换，返回一个IP地址，再经过路由器找到一台服务器，服务器上运行着web实例。HTTPS默认端口是443 (网络层用TCP),三次握手保证安全传输。
这里非常推荐之前刷到的一个宝藏视屏
： 【毕设必备】手把手带你用Python搭建一个简单的后端服务（1）- API的创建，前后端交互的数据传递，GET，POST，JSON，FLASK.
讲的非常清楚
get:获取主页信息，request到服务器，服务器处理并返回一个reponse .。浏览器应答接受到主页的信息。浏览器就会去渲染html的信息内容对应的标签，文字啊图片啊，但这只是个静态页面，可以用css去提升样式(jquery是css的超集)
这里记载几个小技巧：
1.ctrl+f5 清空缓存的刷新
2. 在程序中不中断执行会有好几个程序会执行，会占用端口，有可能导致网页不知道调用哪个实例
3. html里调变量是用大括号
4. host='0.0.0.0’代表任何别的主机可以访问我的flask(除去防火墙）
5. C:\Users\Administrator>ipconfig -all 查看本机ip地址(IPv4 地址)
6. pycharm会有些缓存问题，所以可在python的解释器里运行,当然也可以通过技巧1清除缓存后刷新。
7.debug在1.0后的版本可在pycharm里直接设置：但要保证只有一个实例，勾选DEBUG，apply
8.flask解析地址用路由去做的，即@app.route (’/’)#根目录下执行或者自己设置的目录格式
9.submit会把form里的所有东西上传到网址
10.脚本信息在html里要放到head里
11.heml所得标签都在document里
12 写结构体def uploadImag():的时候可以先用pass占用一下，要不会报错
前端上传 后端处理，再将结果上传到前端
首先，老师的演示是POST模式下的图片从前端上传到后端本机的过程，具体代码如下：
@app.route('/uploadImg',methods=['GET','POST'])
def uploadImag():
if request.method=="GET":
resw = make_response (render_template ('index.html')) # 如果是路由请求是GET，则直接返回网页
return resw
elif request.method=="POST":
if 'myImg' in request.files:
objFile = request.files.get('myImg')
strFileName = objFile.filename
strFilepath="./static/myImage/"+strFileName #组合路径
objFile.save(strFilepath)
return "file save successed"
else:
err = 'error'
return err
else:
err= 'error'
return err
index.html文件中编写的head和body程序如下：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Title</title>
<script>
function showImg(file){
var reader = new FileReader();
reader.onload = function (evt) {
<!--图片onload（载入完毕）的时候触发function，其功能是获取图片的id来获取元素，再用src动态指定-->
document.getElementById('myImgxx').src = evt.target.result;
}
reader.readAsDataURL(file.files[0]) <!--之前是reader有文件载入的时候指定的标签是哪个,现在是指定传入参数的具体哪个对象 -->
}
</script>
</head>
<body>
<img id="myImgxx">
<form method="post" action="/uploadImg" enctype="multipart/form-data">
<input type="file" name="myImg" onchange="showImg(this)"><br><br>
<input type="submit" value="上传图片">
</form>
</body>
</html>
在程序中加了一些限制的条件判断，其中的注释写的非常清楚，运行flask的结果如下
上传后的结果，然后再本机的./static/myImage文件夹下可以找到该图片，为了避免重复，还可以加上时间戳用于区分
然后老师在后端编写了一份图像分类基于resnet50的分类模型，并调用这个模型的参数，然后返回给前端一个类别名字(分类50种狗)
from flask import Flask,make_response,render_template,request
from keras import models
from keras.preprocessing import image
import numpy as np
from keras.backend import set_session
import tensorflow as tf
sess = tf.Session()
set_session(sess)
grah = tf.get_default_graph()
print("model loading")
myModel = models.load_model("./static/model/DogKinds_ResNeXt50.hdf5")#预训练模型，有点大
print("model loaded")
global dictClasses #建立一个全局对象
with open('./static/model/trainClasses.txt') as f: #类别的字典，前类型后数字
dictClasses = eval(f.read())
app = Flask (__name__)
@app.route ('/')#根目录下执行
def hello_world():
myname = 'abc'
myage = 21
# y = 0 #测试debug
# x = myage / 0
myList = range(0,10)
resw = make_response(render_template('index.html', mname = myname,mage = myage,mList=myList)) #服务器处理，返回给网站一个结果,内容定位到templates里的index.html文件
return resw
@app.route ('/hello') #根目录+hello下执行
def my_hello():
Mystr = 'my hello'
return Mystr
@app.route('/uploadImg',methods=['GET','POST'])
def uploadImag():
if request.method=="GET":
resw = make_response (render_template ('index.html')) # 如果是路由请求是GET，则直接返回网页
return resw
elif request.method=="POST":
if 'myImg' in request.files:
objFile = request.files.get('myImg')
strFileName = objFile.filename
strFilepath="./static/myImage/"+strFileName #组合路径
objFile.save(strFilepath)
objImg = image.load_img (strFilePath, target_size=(150, 150)) #读入图像
xImg = image.img_to_array (objImg) #将图片转换为数组
yImg = xImg.astype ("float32") / 255 #归一化处理
zImg = np.expand_dims (yImg, axis=0)#数据输入需要批量操作，只不过每次批量只有一个数据而已
with grah.as_default ( ):
set_session (sess)
res = myModel.predict_classes (zImg)
print (res) #返回的是一个数字，要和txt文件里去匹配
for k, v in dictClasses.items ( ):
if v == res:
return k
return "file save successed"
else:
err = 'error'
return err
else:
err= 'error'
return err
if __name__ == '__main__':
app.run ()
非常值得注意的两点是：
1.在开始时，老师没有加grah = tf.get_default_graph()的模式运行报错，老师给出的解释是运行flask处理每一个request会开启一个线程去执行，建立的全局模型需要一个图去操作：
from keras.backend import set_session
import tensorflow as tf
sess = tf.Session()
set_session(sess)
grah = tf.get_default_graph()
运用modle的时候在使用默认的图和绘画，再去预测：
with grah.as_default ( ):
set_session (sess)
res = myModel.predict_classes (zImg)
print (res) #返回的是一个数字，要和txt文件里去匹配
2.根据文件里的字典去查询具体的类别时，用item()读取所有数据，并且可以建立一个全局的对象，原因是类别是不变的，方便其他程序去调
global dictClasses #建立一个全局对象
with open('./static/model/trainClasses.txt') as f: #类别的字典，前类型后数字
dictClasses = eval(f.read())
最终网站前端的结果如图所示：
小结：老师在视屏中也说了，这些只是一个网站的基本流程，包括渲染啊，ccs这些也不是一天两天讲的完，所以只适合入门培训
套用已有的网站模板
老师推荐的是在模板之家这个网站:http://www.cssmoban.com/cssthemes/
这里现将文件夹放置在外面，即一个错的路径：
原因是要想用flask的路由去访问 res = make_response(render_template(‘index.html’))即template路径下的索引，就得将下载的index放到template文件夹下，注意index文件唯一，把其余的广告类似的可以删了，然后拖动并勾选，目的是利用pycharm强大的功能区把原先文件下用到’新index’的路径统统改到复制的红框，见下图，目录下，这样就不用一个个改了
接着再把剩余的文件直接拖到stactic文件夹下：本来其余的html要用@app.route路由的方式访问，pychaem依然会帮我们修改对应路径
再次启动app运行，会加载下好的模板，并且可以切换，然后再把自己的功能部署上。
扫一扫
5373
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
