这周做作业查资料时，无意中看到一个GitHub项目ML-web-app，它以PyTorch训练MNIST文字识别模型为例，介绍了从模型训练到部署上线的整个流程。是非常好的学习项目！下图是效果图:
笔者浏览了项目的代码,以学习为目的,简单解读下这个项目。
模型训练模型训练是相对独立的部分，可以由算法工程师来做。总结起来就是调用PyTorch接口，建立一个神经网络，然后利用MNIST数据进行训练，最后把训练好的模型文件存储起来，后面部署的时候要用到。
服务部署该项目使用Flask框架部署服务，为了方便阅读，笔者对代码进行了精简。
下面的代码中，通过加载预训练好的模型数据，得到模型实例，可以进行预测：
# initialize flask application app = Flask(__name__) # Read model to keep it ready all the time model = MyModel('./ml_model/trained_weights.pth', 'cpu')核心预测API路由，路径是/predict。
@app.route('/predict', methods=['GET','POST']) def predict(): results = {"prediction" :"Empty", "probability" :{}} input_img = BytesIO(base64.urlsafe_b64decode(request.form['img'])) res = model.predict(input_img) return json.dumps(results) 请求过程默认主页是通过模板渲染的，在index.js中定义了两个核心函数：
onRecognition函数通过Ajax向/predict API路由发送POST请求，请求中封装了要识别的图片，然后获取模型预测结果。
// post data to server for recognition function onRecognition() { $.ajax({ url: './predict', type:'POST', data : {img : cvsIn.toDataURL("image/png").replace('data:image/png;base64,','') }, }).done(function(data) { showResult(JSON.parse(data)) }) }showResult函数把结果渲染出来。
function showResult(resultJson){ // show predict digit divOut.textContent = resultJson.prediction; // show probability document.getElementById("probStr").innerHTML = "Probability : " + resultJson.probability.toFixed(2) + "%"; } 总结这个项目麻雀虽小，五脏俱全。可以帮助非算法类程序员一窥ML从建模到上线部署整个流程，透过火爆的趋势看清本质。