AI实战：AI模型部署系列之多进程

AI实战：AI模型部署系列之多进程

AI实战：AI模型部署系列之docker
AI实战：AI模型部署系列之多进程

本文分享部署AI模型的经验：多进程。

本文使用开源框架flask实现多进程，在 AI实战：AI模型部署系列之docker 基础之上实现。

干货

代码框架简单如下：

refuse_service.py

import os, time, sys, re
from flask import Flask, request
import multiprocessing
import tensorflow as tf


def process(pipe, thread_id):
    #子进程处理函数
    
    import refuse
    recognizer = refuse.RefuseRecognize()#识别垃圾类，在进程中定义
    
    
    while True:
        params = pipe.recv()#子进程接收数据
        
        img_url = params['img_url']
        image_data = tf.gfile.FastGFile(img_url, 'rb').read()
        res = recognizer.recognize_image(image_data)#识别垃圾主函数
        #print('classify:\n%s' %(res))
        res = {"res": res}
        
        pipe.send(res)#发送结果给主进程


q = multiprocessing.Queue()
pipes = []
app = Flask(__name__)
@app.route('/refuse', methods=['POST']) #post方法
def recognize_refuse():
    params = request.json #接收json格式数据
    if 'img_url' not in params:
        return '{"error": 101}'#101表示参数错误
        
    tp = q.get(block=True, timeout=30)#设置超时时间30S #取可用的子进程
    pipes[tp].send(params) #向子进程发送数据
    res = pipes[tp].recv() #接收子进程发过来的数据
    #print(35, res)
    q.put(tp, block=False) #回收当前子进程
    
    return res
    
    
if __name__ == '__main__':
    if len(sys.argv) == 4:
        for k in range(0, int(sys.argv[3])):
            pipe = multiprocessing.Pipe(duplex=True)
            q.put(k, block=False)
            worker = multiprocessing.Process(target=process, args=(pipe[1], k))
            pipes.append(pipe[0])
            worker.daemon = True
            worker.start()
            
        app.run(host=sys.argv[1], port=int(sys.argv[2]), threaded=True)

• 说明
  用法：
  python refuse_service.py 0.0.0.0 6007 2
  0.0.0.0：ip
  6007：端口
  2：开启的进程数量

安装环境

pip install flask

开启服务

docker创建过程具体详见：AI实战：AI模型部署系列之docker

• 步骤
  进入docker：
  sudo docker exec -it refuse_classify-tensorflow-1.4.0-py3 env LANG=C.UTF-8 /bin/bash

  cd /data/refuse_recognize

  开启服务
  bash run_service.sh

测试

使用 RESTClient 测试

具体步骤如下图：