Flask实现Web服务调用Python程序

Flask实现Web服务调用Python程序

通过Web服务调用Python写的手写数字识别算法模型，得到手写数字识别结果。

项目场景：

项目需求：将客户端的请求经由Web服务器转发给Flask程序实例。
示例：通过Web服务调用Python写的手写数字识别算法模型，得到手写数字识别结果。

环境准备：

1. Python环境不多说了
2. 安装 flask``````pip install flask
3. 安装 waitress``````pip install waitress

代码：

main.py

from flask import Flask
from predictNumber import predict
app=Flask(__name__)@app.route('/predictNumber/', methods=['POST'])defpredict_number():
    image = request.form["image"]# 非必须，本案例使用
    result = predict(image)return{"result": result
    }if __name__=='__main__':
    app.debug=True
    app.run(host='127.0.0.1',port=5000)

其中，手写数字识别的代码

predictNumber.py

赠送如下：

from __future__ import print_function
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.optim.lr_scheduler import StepLR
from PIL import Image
import numpy as np
import base64
from io import BytesIO

classNet(nn.Module):def__init__(self):super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1,32,3,1)
        self.conv2 = nn.Conv2d(32,64,3,1)
        self.dropout1 = nn.Dropout(0.25)
        self.dropout2 = nn.Dropout(0.5)
        self.fc1 = nn.Linear(9216,128)
        self.fc2 = nn.Linear(128,10)defforward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x,2)
        x = self.dropout1(x)
        x = torch.flatten(x,1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)return output

defpredict(image):# load model
    model = Net()
    model.load_state_dict(torch.load("demo/model/mnist_cnn.pt"))
    model.eval()# load test data
    img = Image.open(image).convert('L') 
    img = img.resize((28,28))# 更改图片大小
    npimg1 = np.array(img)# 转为numpy矩阵
    flatten_img = npimg1.reshape(1,1,28,28)# 转为mnist1, 1, 28, 28二维张量# 以下意思是把白色背景转为黑色背景，因为训练的都是黑色背景
    new_flatten_img =(255-flatten_img)/255.0
    new_flatten_img = new_flatten_img.reshape(1,1,28,28)#      --------  该数据可直接被模型识别

    test_kwargs ={'batch_size':1}
    test_loader = torch.utils.data.DataLoader(new_flatten_img,**test_kwargs)for data in test_loader:
        data = data.to(torch.float32)
        output = model(data)
        pred = output.argmax(dim=1, keepdim=True)print(pred)print(pred.item())return pred.item()

启动该服务有两种方式

方式一：

通过运行Python脚本启动服务，

run.py

代码如下：

from waitress import serve
import main
serve(main.app, host='127.0.0.1',port=5000)

直接运行

run.py

即可

python run.py

验证我们可通过postman发送请求，得到如下结果：

方式二：

通过 cmd 设置 mian.py 路径，我的

main.py

放在E:\pythonProject\下面，大家自行调整。

setFLASK_APP=E:\pythonProject\main.py

再通过以下指令启动服务：

flask run

效果如下：

以上便是简单版的完整流程。下面加更一些补充说明~

Flask程序必须创建一个程序实例。参见上面第一个代码

main.py

中

app = Flask(__name__)

即为实例。

Web服务器把接收到的所有客户端请求，转交给Web服务器网关接口对象处理。需要提供的参数只有一个，就是程序主模块或包的名字，一般就是Python的name变量。

客户端的请求经由Web服务器转发给Flask程序实例。程序实例需要URL到具体代码的映射关系。这个映射关系称为路由。
Flask中最简单的路由定义方式是app.route修饰器。

上面的路由定义，把根路径和predictNumber函数关联起来，如果部署程序的服务器域名是 http://127.0.0.1:5000/，那么浏览器中输入 http://127.0.0.1:5000/predictNumber/ 就会触发这个函数。

函数的返回值称为响应，是客户端接收到的内容。这样如果客户端是Web浏览器，响应就是给客户看的文档。

下面博文中有非常详细完整的介绍，以供参考。

一个简单的Flask Web服务器

实现多并发调用服务可参考：

Flask+gunicorn实现web服务并发调用Python程序，解决多线程/多进程问题

多并发调用Pytorch的坑：

Flask+gunicorn部署深度学习报错gunicorn: error: argument -b: invalid int value ‘0.0.0.0:8000‘