120 практических задач. Джейд Картер

Чтение книги онлайн.

СКАЧАТЬ Получение данных из POST запроса

      data = request.get_json()

      # Преобразование данных в формат, подходящий для модели

      # Предположим, что данные представляют собой изображение в виде списка пикселей

      image_data = np.array(data['image']).reshape((1, 28, 28, 1)) # Пример для модели, работающей с изображениями 28x28 пикселей

      # Выполнение предсказания

      prediction = model.predict(image_data)

      # Возвращение результата в формате JSON

      return jsonify({'prediction': prediction.tolist()})

      # Маршрут для проверки работы сервера

      @app.route('/')

      def home():

      return "API для предсказаний работает!"

      ```

      4. Запуск сервера

      ```python

      if __name__ == '__main__':

      app.run(host='0.0.0.0', port=5000)

      ```

      Полный пример кода:

      ```python

      import numpy as np

      import tensorflow as tf

      from flask import Flask, request, jsonify

      # Загрузка обученной модели

      model = tf.keras.models.load_model('path_to_your_model.h5')

      # Создание Flask приложения

      app = Flask(__name__)

      # Определение маршрута для предсказания

      @app.route('/predict', methods=['POST'])

      def predict():

      # Получение данных из POST запроса

      data = request.get_json()

      # Преобразование данных в формат, подходящий для модели

      image_data = np.array(data['image']).reshape((1, 28, 28, 1)) # Пример для модели, работающей с изображениями 28x28 пикселей

      # Выполнение предсказания

      prediction = model.predict(image_data)

      # Возвращение результата в формате JSON

      return jsonify({'prediction': prediction.tolist()})

      # Маршрут для проверки работы сервера

      @app.route('/')

      def home():

      return "API для предсказаний работает!"

      # Запуск сервера

      if __name__ == '__main__':

      app.run(host='0.0.0.0', port=5000)

      ```

      Пояснение:

      1. Импорт библиотек и загрузка модели: Импортируются необходимые библиотеки и загружается обученная модель TensorFlow/Keras.

      2. Создание Flask приложения**: Создается Flask приложение.

      3. Определение маршрутов для API:

      – Маршрут `/predict` принимает POST запросы с JSON данными, извлекает изображение, делает предсказание с помощью модели и возвращает результат в формате JSON.

      – Маршрут `/` просто возвращает сообщение для проверки работы сервера.

      4. Запуск сервера: Запускается Flask сервер на порту 5000.

      Развертывание на удаленном сервере

      Для развертывания на удаленном сервере, таком как AWS, GCP или любой другой хостинг, выполните следующие шаги:

      1. Подготовка окружения:

      – Установите Python и необходимые библиотеки (Flask, TensorFlow и др.).

      – Убедитесь, что у вас есть доступ к модели.

      2. Запуск приложения:

      – Перенесите скрипт Flask на сервер.

      – Запустите приложение, используя команду `python <имя_вашего_скрипта>.py`.

      3. Настройка веб-сервера (опционально):

      – Для обработки более высокого трафика и обеспечения надежности можно использовать веб-сервер, такой как Nginx или СКАЧАТЬ