前沿追踪|用Python将Keras深度学习模型部署为Web应用程序( 三 ) 构建一个很棒的机器学习项目是一回事

现在，当用户点击submit并且信息正确时，根据输入的不同，输入将被发送到generate_random_start或generate_from_seed 。这些函数使用经过训练的Keras模型生成具有用户指定的diversity和num_words的新颖专利。这些函数的输出依次被发送到其中一个模板random.html或者seeded.html作为一个网页。
使用预先训练的Keras模型进行预测模型参数是经过训练的Keras模型，加载如下：
from keras.models import load_modelimport tensorflow as tfdef load_keras_model():"""Load in the pre-trained model"""global modelmodel = load_model('../models/train-embeddings-rnn.h5')# Required for model to workglobal graphgraph = tf.get_default_graph()load_keras_model()tf.get_default_graph()是基于这个要点的一种解决方案。
我将不展示这两个util函数的全部内容（这里是代码），你需要理解的是它们使用经过训练的Keras模型以及参数，并对新的专利文摘进行预测。
这些函数都返回带有格式化HTML的Python字符串。该字符串被发送到另一个模板以呈现为网页。例如， generate_random_start返回格式为html,返回结果为random.html：
Random Starting Abstract

Home

{% block content %}{{input|safe}}{% endblock %}这里我们再次使用Jinja模板引擎来显示格式化的HTML 。因为Python字符串已经被格式化为HTML ，我们所要做的就是使用{{input| safe}}（其中input是Python变量）来显示它。然后我们就可以在main.css设计这个页面的样式了, 和其他html模板一样。
输出量generate_random_start选择一个随机的专利文摘作为开始序列，并根据该摘要进行预测。然后显示开始顺序， RNN生成的输出和实际输出：

该函数generate_from_seed采用用户提供的起始序列，然后使用经过训练的RNN对其进行构建。输出如下：

尽管结果并不总是完全正确，但它们确实表明递归神经网络已经学习了英语的基础知识。经过训练，可以预测前50个单词中的下一个单词，并掌握了如何撰写具有说服力的专利文摘！
根据预测的多样性，输出可能是完全随机的或循环的。
运行应用要自己运行该应用程序，你所需要做的就是下载存储库，导航到该deployment目录并输入python run_keras_server.py 。这将立即使Web应用程序在localhost：10000可用。
根据家庭WiFi的配置方式，你应该能够使用IP地址从网络上的任何计算机访问该应用程序。
下一步你的个人计算机上运行的Web应用程序非常适合与朋友和家人共享。我绝对不建议你向家庭网络中的所有人开放此功能！为此，我们想要在AWS EC2实例上设置应用程序并将其提供给全世界（稍后发布）。
为了改善应用程序，我们可以（通过main.css）更改样式，并可能添加更多选项，例如选择经过预先训练的网络的功能。关于个人项目的伟大之处在于，你可以根据需要扩展它们。如果你想使用该应用程序，请下载代码并开始使用。