在带有线程的 Flask 应用程序中使用 Keras 模型

Question

我有 3 个工作 Keras 模型，每个模型我用 2 个文件structure.json（保存模型结构）和weight.h5保存它。

我已经构建了一个 Flask 应用程序来加载这些模型。但目前我无法像这样将 threading=True 添加到 run() 选项中：

api.run(threaded=True)

所以我只能使用：

api.run()

在这个烧瓶应用程序中，我有两个不同的 api（1 GET 和 1 POST）。因为它在一个线程上运行，所以运行速度太慢。我的系统每秒有 100 多个连接，每个连接我都必须加载另一个模型。

请注意，我所有的 keras 模型都具有相同的结构。我只需要加载一个结构，每当有新的连接出现时，我都会为该结构加载重量。

我在 api 中的代码是这样的：

# Compile model
json_file = open(formal_model_path, 'r')
loaded_model_json = json_file.read()
json_file.close()
model = model_from_json(loaded_model_json)
model.compile(loss='mean_absolute_error', optimizer='adam')

@api.route("/predict", methods=["POST"])
    try:
        model.load_weights(os.path.join(cointainer_folder, 'weight.h5'))
    except Exception:
        return jsonify(
            error_code='model_file_reading_failed'
        )

我的代码在model.load_weights[...]行启用 threading=True 时出错。

是否有任何解决方案可以通过加载许多不同的 Keras 模型来构建多线程 API？

Answer 1

我认为您遇到了两个不同的问题：

1. 您正在为每个请求加载模型权重。这是一个坏主意，会使每个请求都非常缓慢。

2. 烧瓶使用多线程。在一个线程中加载的 Tensorflow 模型必须在同一线程中使用。

加载模型的正确位置是一种init方法。您还需要使用tf.get_default_graph()来确保在同一线程中加载模型和预测。

您的代码可能如下所示

def init():
    global models
    models = {}
    for idx, model_path in enumerate(model_paths):
        with open(model_path, "r") as fp:
            model = model_from_json(json.load(fp))
            model.compile(loss='mean_absolute_error', optimizer='adam')
            model.load_weights(os.path.join(model_path, "weights.h5"))
            models[idx] = model

        # save default graph in a global var
        global graph
        graph = tf.get_default_graph()

在您的请求处理程序中

@api.route("/predict", methods=["POST"])
def predict():
    # select your model based on something inside the request
    # making up func !
    model = models[func(request)]

    with graph.as_default():
        model.predict(..)