在本教程中，我們將介紹一個簡單的方法來獲取Keras模型并將其部署為REST API。本文所介紹的示例將作為你構建自己的深度學習API的模板/起點——你可以擴展代碼，根據API端點的可伸縮性和穩定性對其進行定制。

具體而言，我們將了解：

· 如何(以及如何不)將Keras模型加載到內存中，以便有效地進行推理

· 如何使用Flask web框架為我們的API創建端點

· 如何使用我們的模型進行預測，用JSON-ify轉換它們，并將結果反饋到客戶端

· 如何使用cURL和Python來調用我們的Keras REST API

在本教程結束時，你將能很好地理解創建Keras REST API所需的組件(以最簡單的形式)。

請隨意使用本指南中提供的代碼作為你自己的深度學習REST API起點。

配置開發環境

假設Keras已經配置并安裝在你的機器上。如果沒有，請確保使用官方安裝說明安裝Keras(https://keras.io/#installation)。

然后，需要安裝Flask (http://flask.pocoo.org/)(及其相關的依賴項)，一個Python web框架，這樣就可以構建API端點了。還需要請求(http://docs.python-requests.org/en/master/)，這樣就可以使用API了。

有關的pip安裝命令如下：

$ pip install flask gevent requests pillow

構建你的Keras REST API

Keras REST API獨立于一個名為run_keras_server.py的文件中。為了簡單起見，我們將安裝保存在一個文件中——安裝啟用也可以很容易地模塊化。

在 run_keras_server.py中，你會發現三個函數，即：

· load_model：用于加載訓練好的Keras模型，并為推理做準備。

· prepare_image：這個函數在通過我們的網絡進行預測之前對輸入圖像進行預處理。如果你沒有使用圖像數據，則可能需要考慮將名稱更改為更通用的prepare_datapoint，并應用一些可能需要的縮放/標準化。

· predict：API的實際端點可以將請求中的輸入數據分類，并將結果反饋給客戶端。

# import the necessary packagesfrom keras.applications import ResNet50from keras.preprocessing.image import img_to_arrayfrom keras.applications import imagenet_utilsfrom PIL import Imageimport numpy as npimport flaskimport io

# initialize our Flask application and the Keras modelapp = flask.Flask(__name__)model = None

第一個代碼片段處理導入了所需的程序包，并且對Flask應用程序和模型進行了初始化。

在此，我們定義load_model函數：

def load_model():

# load the pre-trained Keras model (here we are using a model

# pre-trained on ImageNet and provided by Keras, but you can

# substitute in your own networks just as easily)

global model

model = ResNet50(weights="imagenet")

顧名思義，這個方法負責將我們的架構實例化，并從磁盤加載權重。

為了簡單起見，將使用在ImageNet數據集上預先訓練過的ResNet50架構。

如果你正在使用自定義模型，則需要修改此函數以從磁盤加載架構+權重。

在對任何來自客戶端的數據進行預測之前，首先需要準備并預處理數據：

def prepare_image(image, target):

# if the image mode is not RGB, convert it

if image.mode != "RGB":

image = image.convert("RGB")

# resize the input image and preprocess it

image = image.resize(target)

image = img_to_array(image)

image = np.expand_dims(image, axis=0)

image = imagenet_utils.preprocess_input(image)

# return the processed image

return image

這個函數：

· 接受輸入圖像

· 將模式轉換為RGB(如果需要)

· 將大小調整為224x224像素(ResNet的輸入空間維度)

· 通過平均減法數組和縮放對陣列進行預處理

此外，在通過模型傳遞輸入數據之前，應該根據某一預處理、縮放或標準化來修改這個函數。

現在可以定義predict函數了——該方法會處理對/predict端點的任何請求：

@app.route("/predict

總結

以上是生活随笔為你收集整理的keras安装_代码详解：构建一个简单的Keras+深度学习REST API的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。