这是部署您的训练过的模型的快速指南渲染只需点击几下。它有一个启动回购它使用了第2课中Jeremy的熊图像分类模型。

starter应用程序部署在https://fastai-v3.onrender.com

一次性设置

在GitHub上创建starter应用程序。

https://github.com/render-examples/fastai-v3进入你的GitHub账户。

创建呈现帐户

注册在渲染使用邀请码fastai-v3

呈现web服务的成本为每月5美元,并按比例按秒计算。所有的新账户一开始都有25美元的信用。

项目的设置

如果你只想在Render上测试初始部署,默认情况下,初学者repo被设置为使用第2课中Jeremy的bear分类模型。如果你想用自己的模型,继续阅读。

上传您的训练模型文件

上传训练过的模型文件learner.export(例如export.pkl)到谷歌Drive或Dropbox等云服务。复制文件的下载链接。

请注意下载链接应该直接启动文件下载——它通常与共享链接不同(共享链接提供下载文件的视图)。使用这个链接生成器如果你需要帮助。

为您的模型定制应用程序

  1. 编辑该文件server.py应用程序目录并更新model_file_url变量,并使用上面复制的URL。
  2. 在同一个文件中,更新线类=['黑色',“灰熊”,“泰迪”)使用您期望从模型中获得的类。

提交并将更改推送到GitHub。

确保您创建的GitHub repo处于当前状态。Render与GitHub repo集成,并在每次推送更改时自动构建和部署更改。

部署

  1. 创建一个新的Web服务在呈现和使用您在上面创建的repo。在这个步骤中,您需要授予Render权限来访问您的repo。

  2. 在部署屏幕上,为您的服务选择一个名称并使用它码头工人对环境。

  3. 点击保存Web服务。就是这样!您的服务将开始构建,并且应该在呈现仪表板中显示的URL上运行几分钟。您可以在部署日志中跟踪其进展。

测试您的应用程序

你的应用的URL是这样的https://service-name.onrender.com。您还可以在测试应用程序时监视服务日志。

本地测试

要在本地运行应用服务器,在终端运行这个命令:

python app/server.py服务

http://localhost:5042/测试你的应用程序。


感谢Simon Willison提供的示例代码。