用Python将Keras深度学习模型部署为Web应用程序的示例分析

对于表单中的每个错误（那些无法验证的条目），对应的一个错误将闪烁。除此之外，此文件将显示上述表单。

当用户输入信息并点击submit（POST请求）时，如果信息是正确的，我们希望将输入转移到适当的函数，以使用经过训练的RNN进行预测。这意味着修改home()。

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，当用户点击submit并且信息正确时，根据输入的不同，输入将被发送到generate_random_start或generate_from_seed。这些函数使用经过训练的Keras模型生成具有用户指定的diversity和num_words的新颖专利。这些函数的输出依次被发送到其中一个模板random.html或者seeded.html作为一个网页。

使用预先训练的Keras模型进行预测

模型参数是经过训练的Keras模型，加载如下：

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.h6')
    # Required for model to work
    global graph
    graph = tf.get_default_graph()
    
load_keras_model()

tf.get_default_graph()是基于这个要点的一种解决方案。

我将不展示这两个util函数的全部内容（这里是代码），你需要理解的是它们使用经过训练的Keras模型以及参数，并对新的专利文摘进行预测。

这些函数都返回带有格式化HTML的Python字符串。该字符串被发送到另一个模板以呈现为网页。例如，generate_random_start返回格式为html,返回结果为random.html：

    

    
    
    

        
Home
    



    
        {% block content %}
        {{input|safe}}
        {% endblock %}
    

这里我们再次使用Jinja模板引擎来显示格式化的HTML。因为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。然后我们就可以在main.css设计这个页面的样式了, 和其他html模板一样。

输出量

generate_random_start选择一个随机的专利文摘作为开始序列，并根据该摘要进行预测。然后显示开始顺序，RNN生成的输出和实际输出：

该函数generate_from_seed采用用户提供的起始序列，然后使用经过训练的RNN对其进行构建。输出如下：

尽管结果并不总是完全正确，但它们确实表明递归神经网络已经学习了英语的基础知识。经过训练，可以预测前50个单词中的下一个单词，并掌握了如何撰写具有说服力的专利文摘！

根据预测的多样性，输出可能是完全随机的或循环的。

运行应用

要自己运行该应用程序，你所需要做的就是下载存储库，导航到该deployment目录并输入python run_keras_server.py。这将立即使Web应用程序在localhost：10000可用。

根据家庭WiFi的配置方式，你应该能够使用IP地址从网络上的任何计算机访问该应用程序。

下一步

你的个人计算机上运行的Web应用程序非常适合与朋友和家人共享。我绝对不建议你向家庭网络中的所有人开放此功能！为此，我们想要在AWS EC2实例上设置应用程序并将其提供给全世界（稍后发布）。

为了改善应用程序，我们可以（通过main.css）更改样式，并可能添加更多选项，例如选择经过预先训练的网络的功能。关于个人项目的伟大之处在于，你可以根据需要扩展它们。如果你想使用该应用程序，请下载代码并开始使用。

• 代码下载：https://github.com/WillKoehrsen/recurrent-neural-networks

在本文中，我们看到了如何将训练有素的Keras深度学习模型部署为Web应用程序。这需要将多种不同的技术结合在一起，包括递归神经网络，Web应用程序，模板，HTML，CSS，当然还有Python。

虽然这只是一个基本的应用程序，但它表明你可以开始使用深度学习来构建web应用程序，而不需要花费太多的精力。

submit = SubmitField("Enter")

在训练模型中加载。

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注创新互联行业资讯频道，感谢您对创新互联的支持。