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：

环境准备：

from flask import Flask
from predictNumber import predict
app=Flask(__name__)
@app.route('/predictNumber/', methods=['POST'])
def predict_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
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):
    # 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
 
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：
 
 
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
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‘
 
				
要使用Python Flask搭建Web服务器和客户端，可以使用以下代码：from flask import Flaskapp = Flask(name)@app.route('/')
def index():
    return 'Hello, world!'if name == 'main':
    app.run()客户端代码：import requestsresp = requests...
				
代码已上传github
首先声明，在HTML中调用本地Python程序是十分不推荐的，一是因为网页调用本地程序的权限正在被取消，二是因为真不如JS写直接，三是只能在自己本地调用。
但如果你要用，像我一样，需要在课堂上进行一个Python代码的展示，并且想要一个好看的UI界面的话，可以这样来做，做起来还是很容易的，但这样的展示仅限于需要弹框的，比如我的人脸检测是弹窗式，如果需要内嵌在网页内...
				启动Docker容器报错docker: Error response from daemon: driver failed programming external connectivity on..
					13345
                安装Pytorch报错Error: No matching distribution found for typing-extensions (from torch==1.9.0)
                    小白白程序员: 
                    解决了，包少可以，多了还是要考虑版本问题
                RuntimeError: unexpected EOF, expected 73963 more bytes. The file might be corrupted.解决方案
                    小白白程序员: 
                    yeah！