这是部署培训型号的快速指南 使成为 只需点击几下。它配有 初学者回购 从第2课使用Jeremy的熊图像分类模型。

STARTER应用程序部署在 //fastai-v3.onrender.com.

一次性设置

在GitHub上叉子Appter应用程序。

//github.com/render-examples/fastai-v3 进入你的github帐户。

创建渲染帐户

注册 对于渲染帐户。您不需要信用卡即可开始。

每个项目设置

如果您只想在渲染上测试初始部署,则默认情况下,SARTER REPO设置为使用Jeremy的Bear分类模型。如果要使用自己的模型,请继续阅读。

上传培训的模型文件

Upload the trained model file created with learner.export (for example export.pkl) to a cloud service like Google Drive or Dropbox. Copy the download link for the file.

笔记 下载链接应该直接启动文件下载 - 通常与共享链接不同(这为您提供了下载文件的视图)。

为您的模型自定义应用程序

  1. 在Jupyter Notebook中查看您使用以下命令的软件包中的软件包您构建了模型: ! pip list
  2. Edit the file requirements.txt inside the repo and update the package versions so that they correspond to the ones used by your Jupyter Notebook.
  3. Edit the file server.py inside the app directory and update the export_file_url variable with the URL copied above.
  4. In the same file, update the line classes = ['black', 'grizzly', 'teddys'] with the classes you expect from your model.

提交并将您的更改推向GitHub。

确保保留您在当前创建的GitHub repo。渲染与您的GitHub repo集成并自动构建并每次推动更改时部署更改。

部署

  1. 创建一个新的 网络服务 渲染并使用上面创建的repo。您需要在此步骤中授予渲染权限访问您的repo。

  2. On the deployment screen, pick a name for your service and use Docker for the Environment. The URL will be created using this service name. The service name can be changed if necessary, but the URL initially created can’t be edited.

  3. 点击 保存Web服务。而已!您的服务将开始建立,并应在渲染仪表板中显示的URL上几分钟内存在。您可以在部署日志中遵循其进度。

测试

Your app’s URL will look like //service-name.onrender.com. You can also monitor the service logs as you test your app.

本地测试

要在本地运行App Server,请在终端中运行此命令:

python app/server.py serve

如果您安装了Docker,则可以通过在repo root的根目录下运行以下命令,以渲染在与渲染相同的环境中测试应用程序:

docker build -t fastai-v3 . && docker run --rm -it -p 5000:5000 fastai-v3

http:// localhost:5000 / to test your app.


感谢Simon Wallison for Simply代码。