将深度学习模型部署为web应用有多难？答案自己找
选自 towardsdatascience
机器之心编译
作者：William Koehrsen
参与：Geek AI、王淑婷
本文将教你如何把训练好的 Keras 深度学习模型部署为 web 应用程序。虽然这涉及很多技术，但你真的不要试试吗？
虽然创建一个机器学习项目很酷，但你最终往往还是希望其他人能够看到自己的成果。当然，你可以将整个项目放在 GitHub 上，但是，你的祖父母估计很难看明白。因此，我们想要做的是，将深度学习模型部署成一个任何人都可以访问的 web 应用程序。
在本文中，你将了解如何编写 web 应用程序，该程序采用训练好的 Keras 循环神经网络并允许用户生成新的专利摘要。本文的项目是基于以下示例文章中的循环神经网络研究，但我们没有必要弄清楚如何创建此类循环神经网络。现在我们只需将其当成黑箱模型：输入开始序列，它会输出全新的专利摘要，而我们可以在浏览器中显示出来!
示例地址：https://medium.com/p/ffd204f99470?source=user_profile---------6------------------
传统来说，一般由数据科学家负责开发模型，而前端工程师负责把模型向外界展示。在本项目中，我们将同时扮演这两个角色，并深入解读 web 应用的开发过程（尽管几乎都是用 Python 编写的）。
本项目将涉及以下多个主题：
- Flask：在 Python 环境下创建一个基础的 web 应用
- Keras：部署一个训练好的循环神经网络模型
- 使用 Jinja 模板库创建模板
- 使用 HTML 和 CCS 编写 web 网页
最终我们将得到一个 web 应用程序，它允许用户使用训练好的循环神经网络生成全新的专利摘要：
完整项目代码可以通过以下地址获得：
https://github.com/WillKoehrsen/recurrent-neural-networks
方法
本项目旨在快速创建并运行一个 web 应用程序。为此，我选择了 Flask 框架，它允许我们用 Python 编写应用程序。我不喜欢杂乱的应用样式，所以几乎所有的 CSS 都是复制粘贴过来的。以下两篇文章对了解这方面的基础知识比较有用，还能提供不错的指南：
- https://towardsdatascience.com/deploying-keras-deep- learningmodel -with-flask-5da4181436a2
- https://towardsdatascience.com/deploying-keras-deep-learning-models-with-flask-5da4181436a2
总的来说，这个项目遵循了我的设计原则：快速地建立并运行一个原型——尽量选择复制和粘贴——然后通过不断迭代做出更好的产品。
使用 Flask 实现一个基础的 web 应用
在 Python 环境下构建一个 web 应用，最快捷的方式就是使用 Flask。我们可以通过以下方式来制作自己的 web 应用程序：
from flask import Flask
app = Flask(__name__)
@app.route("/")
def hello():
return "<h1>Not Much Going On Here</h1>"
app.run(host='0.0.0.0', port=50000)如果你复制粘贴此代码并运行它，你可以在浏览器中输入地址：localhost:50000 来查看自己的 web 应用程序。当然，我们当然还想在 web 应用中做更多的事，所以我们将使用一个稍微复杂一点的函数，它的基本功能是一样的：处理来自浏览器的请求并以 HTML 的形式提供一些内容。在主页中，我们会向用户提供一个表单让他们可以输入一些详细信息。
用户输入的表单
当用户打开应用程序主页后，我们将向他们展示一个带有 3 个可选参数的表单：
- 输入 RNN 的起始序列或由服务器随机选择一个序列
- 选择 RNN 预测的多样性
- 选择 RNN 输出的单词数
我们将使用「wtforms」在 Python 环境下建立一个表单。构建表单的代码如下：
from wtforms import (Form, TextField, validators, SubmitField,
DecimalField, IntegerField)
class ReusableForm(Form):
"""User entry form for entering specifics for generation"""
# Starting seed
seed = TextField("Enter a seed string or 'random':", validators=[
validators.InputRequired()])
# Diversity of predictions
diversity = DecimalField('Enter diversity:', default=0.8,
validators=[validators.InputRequired(),
validators.NumberRange(min=0.5, max=5.0,
message='Diversity must be between 0.5 and 5.')])
# Number of words
words = IntegerField('Enter number of words to generate:',
default=50, validators=[validators.InputRequired(),
validators.NumberRange(min=10, max=100,
message='Number of words must be between 10 and 100')])
# Submit button
submit = SubmitField("Enter")这将创建下图所示的表单（采用了「main.css」的样式）：
代码中的「validator」确保用户输入了正确的信息。例如，我们会检查所有的复选框是否都已填充，并且检查「diversity」的值是否介于 0.5 到 5 之间。只有满足这些要求的表单才能被接受。
验证错误
我们实际上是通过 Flask 模板提供这些表单的。
模板
模板是一个带有基本框架的文档，我们需要填充其中的一些细节。对于 Flask web 应用程序，我们可以使用 Jinja 模板库将 Python 代码嵌入到 HTML 文档中。例如，在主函数中，我们将把表单的内容发送到一个名为「index.html」的模板中。
from flask import render_template
# Home page
@app.route("/", methods=['GET', 'POST'])
def home():
"""Home page of app with form"""
# Create form
form = ReusableForm(request.form)
# Send template information to index.html
return render_template('index.html', form=form)当用户打开主页时，我们的应用程序将使用「form」表单中的详细信息开启一个基于「index.html」模板的页面。这个模板是一个简单的 html 脚手架，在这里我们使用 {{variable}} 语法引用 python 变量。
表单中的每个错误（那些无法通过验证的条目）将会触发一个错误信息「flash」。如果没有错误，此文件将显示如上所示的表单。
当用户输入信息并点击提交表单（POST 请求）时，如果信息是正确的，我们会将输入传递给适当的函数并用训练好的 RNN 进行预测。这意味着我们需要修改「home()」方法。
from flask import request
# User defined utility functions
from utils import generate_random_start, generate_from_seed
# Home page
@app.route("/", methods=['GET', 'POST'])
def home():
"""Home page of app with form"""
# Create form
form = ReusableForm(request.form)
# On form entry and all conditions met
if request.method == 'POST' and form.validate():
# Extract information
seed = request.form['seed']
diversity = float(request.form['diversity'])
words = int(request.form['words'])
# Generate a random sequence
if seed == 'random':
return render_template('random.html',
input=generate_random_start(model=model,
graph=graph,
new_words=words,
diversity=diversity))
# Generate starting from a seed sequence
else:
return render_template('seeded.html',
input=generate_from_seed(model=model,
graph=graph,
seed=seed,
new_words=words,
diversity=diversity))
# Send template information to index.html
return render_template('index.html', form=form)现在，当用户单击提交按钮「submit」且信息正确时，web 将根据第一个文本框中的输入信息选择将输入的表单发送到「generate_random_start」或「generate_from_seed」。这些函数使用训练好的 Keras 模型生成符合用户指定的多样性和单词数的新专利摘要。这些函数的输出会被依次传给模板「random.html」或「seeded.html」来启动新的 web 页面。
使用预训练的 Keras 模型做预测
参数「model」将指定使用哪个训练好的 Keras 模型，代码如下：
from keras.models import load_model
import tensorflow as tf
def load_keras_model():
"""Load in the pre-trained model"""
global model
model = load_model('../models/train-embeddings-rnn.h5')
# Required for model to work
global graph
graph = tf.get_default_graph()
load_keras_model()（「tf.get_default_graph()」是基于下面的 github gist 采取的一种解决方案：https://gist.github.com/eyesonlyhack/2f0b20f1e73aaf5e9b83f49415f3601a
在这里，我们不会完整地展示这两个「util」函数，你要知道的是，它们使用训练好的 Keras 模型以及相应的参数，并对一个新的专利摘要进行预测。
完整代码见：https://github.com/willkoehrsen/recurent -neural-networks/blob/master/deployment/utils.py
这些函数都返回带有格式化的 HTML 的 Python 字符串。该字符串将被传递给另一个模板，作为 web 页面呈现出来。例如，「generate_random_start」返回的格式化的 html 会带用户跳转到 random.html：
在这里，我们再次使用 Jinja 模板引擎来显示格式化的 HTML。由于 Python 字符串已经被格式化为 HTML，我们所要做的就是使用 {{input|safe}}（其中 input 是 Python 变量）来显示它。接着，我们就可以使用「main.css」对这个页面进行样式化了，使用方法就像使用其它 html 模板一样。
输出
「generate_random_start」函数将会选择一个随机的专利摘要作为起始的输入序列，并且根据它做出预测。接着，它会显示出这个起始的输入序列。循环神经网络会产生输出，真实的输出结果如下：
使用随机初始序列得到的输出。
「generate_from_seed」函数使用用户提供的初始序列，然后会使用训练好的循环神经网络作出预测、构建输出。输出的结果如下：
使用指定的初始序列得到的输出。
虽然结果并不总是完全正确，但它们确实表明循环神经网络已经掌握了英语基础。模型经过训练学会了根据前 50 个单词来预测下一个单词，并学会了如何写出一个还不错的专利摘要！根据预测的多样性「diversity」，输出可能完全是随机的或循环的。
运行应用程序
你只需下载代码仓库，转向「deployment」目录并输入「python run_keras_server.py」就可以运行该应用程序了。你可以立刻在地址 localhost:10000 上使用这个 web 应用程序。
你可以根据家庭 WiFi 的配置情况，使用你的 IP 地址从网络上的任何计算机访问该应用程序。
下一步的工作
在个人电脑上运行的 web 应用程序非常适合与朋友和家人共享。不过，我不建议在你的家庭网络中向所有人开放这个网站！为此，我们将在 AWS EC2 实例上装载该应用程序，并将其开放（稍后将提供）。
如果你想要改进这个应用程序，可以改变样式（通过 main.css），也许还可以添加更多选项，比如可以选择预训练好的网络。制作个人项目的好处是，你可以随心所欲地去做你想做的事。如果你想试着玩一玩这个应用程序，你可以通过下面的链接下载代码，然后开始你的实验。
链接：https://github.com/willkoehrsen/recursive - neur- networks
结语
在本文中，我们看到了如何将训练好的 Keras 深度学习模型部署为 web 应用程序。这需要将许多不同的技术组合在一起，包括循环神经网络、web 应用程序、模板、HTML、CSS，当然还有 Python。
虽然这只是一个基础的应用程序，但它表明你可以在付出相对较少努力的情况下使用深度学习来构建 web 应用程序。目前，还没有多少人敢说他们能将一个深度学习部署为一个 web 应用，如果你遵照这本文的方法进行实验，那你就能成为少数掌握这项技能的开发者之一啦！
原文链接：https://towardsdatascience.com/deploying-a-keras-deep-learning-model-as-a-web-application-in-p-fc0f2354a7ff