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'])
def predict_number():
    image = request.form["image"]
    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

class Net(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)

    def forward(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

def predict(image):

    model = Net()
    model.load_state_dict(torch.load("demo/model/mnist_cnn.pt"))
    model.eval()

    img = Image.open(image).convert('L')
    img = img.resize((28, 28))
    npimg1 = np.array(img)
    flatten_img = npimg1.reshape(1, 1, 28, 28)

    new_flatten_img = (255-flatten_img)/255.0
    new_flatten_img = new_flatten_img.reshape(1, 1, 28, 28)

    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。

set  FLASK_APP=E:\pythonProject\main.py

然后使用以下指令启动服务：

flask run

效果如下：

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。

在下面的博客文章中有一个非常详细和完整的介绍以供参考。

一个简单的Flask Web服务器

有关多个并发呼叫业务，请参阅：

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’

Original: https://blog.csdn.net/qq_39691492/article/details/122088475
Author: 小白白程序员
Title: Flask实现Web服务调用Python程序

相关阅读

Title: Python根据csv绘制多折线图（内含批量读取+自定义坐标标签+阴影处理）

实现功能

1.从csv中读取数据

2.数据清洗（大小超出范围的异常值处理）

3.数据累积处理（将每日数据处理为历史累积值）

4.绘制多折线图

0.导入相关包import os

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

1.从csv格式文件中读取数据

site='3'
band="NDVI"
sentinel="2-L2A"

path= '../data/dataset/Train_region_csv/S{}/csv/{}-{}.csv'.format(sentinel,site, band)

pixel_csv =  pd.read_csv(path, index_col = 0)

拓展：批量读取csv文件，存储为DataFrame格式

（1）从文件夹中读取 全部 / 指定部分文件名 的文件

import glob

sentinel = "2-L2A"
site = '3'
path= '../data/dataset/Train_region_csv/S{}/csv/'.format(sentinel)

file = glob.glob(os.path.join(path,"*.csv"))
file_3 = glob.glob(os.path.join(path,"3-*.csv"))
file_x = glob.glob(os.path.join(path,"{}-*.csv".format(site)))
print("file length：",len(file))
print（file）

（2）批量读取

list2dataframe=[]
for path_file in file:
    list2dataframe.append(pd.read_csv(path_file,index_col = 0))

（3）整合（1）（2），封装为函数

def Dataloading_csv (folder_path):

    site='3'
    file = glob.glob(os.path.join(folder_path,"{}-*.csv".format(site)))
    list2dataframe=[]
    for path_file in file:
        list2dataframe.append(pd.read_csv(path_file,index_col = 0))
    return list2dataframe

2.数据清洗-删除超过范围的异常值

for j in range(pixel_csv.shape[1]):
    for i in range(pixel_csv.shape[0]):

        if (pixel_csv.iloc[i,j]> 1 or pixel_csv.iloc[i,j] < 0):
            pixel_csv.iloc[i,:]=np.nan

3.数据处理-将每日数据处理为历史累积值

 for j in range(1,pixel_csv.shape[1]):
    for i in range(pixel_csv.shape[0]):
        x=pixel_sum.iloc[i,j]
        pixel_sum.iloc[i,j]=x+pixel_sum.iloc[i,j-1]

4.绘制多折线图

对DataFrame使用describe函数，获得DataFrame的初步统计信息,其中包含min，max，mean

def plot_min_max_mean(data_desc):
    fig=plt.figure()
    ax=fig.add_subplot(1,1,1)
    ax.plot(data_desc.index, data_desc.iloc[:,7],color='crimson',label='Max')
    ax.plot(data_desc.index, data_desc.iloc[:,1],color='c',label='Mean')
    ax.plot(data_desc.index, data_desc.iloc[:,3],color='royalblue',label='Min')

    ax.set_xticks([0,12,25,37,49,62,74,84])
    ax.set_xticklabels(['04-01', '05-01', '06-01', '07-01', '08-01', '09-01','10-01','11-01'],rotation=45,fontsize=12)

    plt.title('Site-3',fontsize=16)
    plt.xlabel('Dates',fontsize=14)
    plt.ylabel('EVI',fontsize=14)
    plt.fill_between(data_desc.index, data_desc.iloc[:,7], data_desc.iloc[:,3], facecolor="orange",alpha=0.1)
    plt.legend()
    plt.show()

Original: https://blog.csdn.net/weixin_44114632/article/details/119856671
Author: 雨霁夜白
Title: Python根据csv绘制多折线图（内含批量读取+自定义坐标标签+阴影处理）