创建您的第一个深度学习 Web 应用

在对神经网络及其在实际项目中使用的设置有了了解之后，自然而然的下一步就是开发基于 Web 的深度学习应用。 本章致力于创建一个完整的 Web 应用，尽管它是一个非常简单的应用，但它以一种非常简单的方式演示了如何完成应用中深度学习的集成。

本文将介绍将在本书中使用的几个术语，因此，即使对于已经对深度学习 Web 应用有基本了解的您也可以阅读，这是一个推荐读物，以便您能够理解以后各章中使用的术语。 。 我们将从构建深度学习 Web 应用开始，并学习如何理解数据集。 然后，我们将使用 Python 实现一个简单的神经网络，并创建一个 Flask API 以与服务器端 Python 一起使用。

本文将讨论以下主题：

• 构建深度学习 Web 应用
• 了解数据集
• 使用 Python 实现简单的神经网络
• 创建与服务器端 Python 一起使用的 Flask API
• 在 Flask 中使用 cURL 和 Web 客户端
• 改善深度学习后端

技术要求

对于本文，您将需要以下内容：

• Python 3.6+
• Flask 1.1.0+
• TensorFlow 2.0+

构建深度学习 Web 应用

解决拼图游戏时，重要的是要使零件合适，而不是将它们强迫在一起。 同样，在开发软件解决方案时，解决方案的各个部分必须无缝地协同工作，并且它们之间的交互必须易于理解。 好的软件需要适当的软件计划。 因此，为软件的长期使用和将来的维护提供坚实的软件结构至关重要。

在开始创建第一个可在 Web 上使用的深度学习应用之前，我们必须画出解决方案的蓝图，同时牢记我们希望解决的问题以及针对这些问题的解决方案。 这很像我们在网站开发过程中计划认证系统或将表单值从一页传递到另一页的方式。

通用的深度学习 Web 解决方案将需要以下组件：

• 可以存储数据并响应查询的服务器
• 一个可以使用存储的数据并对其进行处理以生成基于深度学习的查询响应的系统
• 客户端可以将数据发送到服务器进行存储，使用新数据发送查询，最后在查询深度学习系统后接受并使用服务器发送的响应

让我们尝试使用图表来可视化此结构。

通用深度学习 Web 应用的结构图

下图描述了 Web 客户端，Web 服务器和深度学习模型之间的交互：

image