深度学习应用部署的几种形式
本文由腾讯云+社区自动同步，原文地址 https://stackoverflow.club/article/several_ways_to_deploy_deep_app/
简介
平时做实验都是参考一个模型，自己改改，在新数据上获得一个不错的效果。如果比较有先进性，还可以写篇论文。代码呢？就丢在github上好了，写个比较好的README让程序员同行可以复现结果。
但是，有没有想过做成产品的形式？就是通过各种手段让小白用户也能使用我们的成果？
部署形式一：docker形式发布api服务
我始终认为实验室的深度学习和生产环境中的深度学习是不一样的。以tensorflow为例，它是先定义图的结构，然后再送数据训练。如果只是前向传播，可以先加载pb模型，再送入数据。
但是考虑api服务的逻辑，服务器暴露出一个api接口，一个client请求数据，这时候再加载pb模型然后给出结果？这样每来一个请求都要加载一次pb模型显然消耗过大。
幸好我们tensorflow已经有了部署工具，docker形式的tensorflow serve1.
这样我们的部署逻辑就变成了训练模型->保存为可部署的模型->用tensorflow serve部署。写一个简单的api接口就可以了。
如果需要demo，可以参考[2]。
部署形式二：docker化的全栈部署
api服务的主要对象依旧是专业人员，如网站的程序员，我们还可以再进一步，直接面向消费者。
其实要做的事情不多，只要在api服务的基础上，用html+css+js做一个浏览器端的GUI应用即可。
部署形式三：docker化的全平台桌面应用
有时候并不希望应用发布到网上，或者说网络是不可信的，我们需要单机不联网部署。但是我们依旧希望减小部署难度，最大化利用上述部署的成果，怎么办呢？
目前的方案是暴力地将所有服务通过docker安装在目标主机上，这样可以实现浏览器内使用。如果碰上又老又顽固的客户，只会单只手指双击exe文件那种，就用pyqt做个比较像桌面应用的浏览器。
参考：