Keras入门（七）使用Flask+Keras-bert构建模型预测服务

电玩女神 2023-01-07 08:50 288阅读 0赞

在文章[NLP（三十四）使用keras-bert实现序列标注任务][NLP_keras-bert]中，我们介绍了如何使用keras-bert模块，利用BERT中文预训练模型来实现序列标注任务的模型训练、模型评估和模型预测。其中，模型预测是通过加载生成的h5文件来实现的。  
  本文将会介绍如何使用Flask构建模型预测的HTTP服务。  
  我们遵循正常的思路，即先使用Keras加载保存后的h5模型文件，利用Flask对新输入的文本进行模型预测，最后给出预测结果。我们对人民日报命名实体实体数据集进行模型训练，采用文章[NLP（三十四）使用keras-bert实现序列标注任务][NLP_keras-bert]中的模型，训练后得到example\_ner.h5文件，模型预测的HTTP服务脚本如下：

# -*- coding: utf-8 -*-
    import json
    import traceback
    import numpy as np
    from keras.models import load_model
    from keras_bert import get_custom_objects
    from keras_contrib.layers import CRF
    from keras_contrib.losses import crf_loss
    from keras_contrib.metrics import crf_accuracy
    from flask import Flask, request
    
    from model_train import PreProcessInputData, id_label_dict
    
    
    # 将BIO标签转化为方便阅读的json格式
    def bio_to_json(string, tags):
        item = { "string": string, "entities": []}
        entity_name = ""
        entity_start = 0
        iCount = 0
        entity_tag = ""
    
        for c_idx in range(min(len(string), len(tags))):
            c, tag = string[c_idx], tags[c_idx]
            if c_idx < len(tags)-1:
                tag_next = tags[c_idx+1]
            else:
                tag_next = ''
    
            if tag[0] == 'B':
                entity_tag = tag[2:]
                entity_name = c
                entity_start = iCount
                if tag_next[2:] != entity_tag:
                    item["entities"].append({ "word": c, "start": iCount, "end": iCount + 1, "type": tag[2:]})
            elif tag[0] == "I":
                if tag[2:] != tags[c_idx-1][2:] or tags[c_idx-1][2:] == 'O':
                    tags[c_idx] = 'O'
                    pass
                else:
                    entity_name = entity_name + c
                    if tag_next[2:] != entity_tag:
                        item["entities"].append({ "word": entity_name, "start": entity_start, "end": iCount + 1, "type": entity_tag})
                        entity_name = ''
            iCount += 1
        return item
    
    
    app = Flask(__name__)
    
    
    @app.route("/model/ner", methods=["GET", "POST"])
    def get_geo():
        return_result = { "code": 200, "message": "success", "data": []}
        try:
            text = request.get_json()["text"].replace(" ", "")
            word_labels, seq_types = PreProcessInputData([text])
    
            # 模型预测
            predicted = ner_model.predict([word_labels, seq_types])
            y = np.argmax(predicted[0], axis=1)
            tag = [id_label_dict[_] for _ in y]
    
            # 输出预测结果
            result = bio_to_json(text, tag[1:-1])
            return_result["data"] = result
    
        except Exception:
            return_result["code"] = 400
            return_result["message"] = traceback.format_exc()
    
        return json.dumps(return_result, ensure_ascii=False, indent=2)
    
    
    if __name__ == '__main__':
        # 加载训练好的模型
        custom_objects = get_custom_objects()
        for key, value in { 'CRF': CRF, 'crf_loss': crf_loss, 'crf_accuracy': crf_accuracy}.items():
            custom_objects[key] = value
        ner_model = load_model("example_ner.h5", custom_objects=custom_objects)
        # 启动HTTP服务
        app.run(host="0.0.0.0", port=25000)

看上去上面的服务并没有什么问题，但当我们进行HTTP请求时，报错如下：

File "/home/jclian91/.conda/envs/py3-lmj/lib/python3.6/site-packages/tensorflow/python/framework/ops.py", line 3875, in _as_graph_element_locked
        raise ValueError("Tensor %s is not an element of this graph." % obj)
    ValueError: Tensor Tensor("crf_1/cond/Merge:0", shape=(?, ?, 7), dtype=float32) is not an element of this graph.

上网搜资料，发现这种错误非常常见，其中一种解决方法如下：

导入模块：

import tensorflow as tf
    from keras.backend import set_session

在加载模型（load\_model）的代码前，加几行代码如下：

sess = tf.Session()
        graph = tf.get_default_graph()
        set_session(sess)

同时在HTTP服务的模型预测（ner\_model.predict）前，加几行代码如下：

# 模型预测
    	global sess
    	global graph
    	with graph.as_default():
    	    set_session(sess)
    	    predicted = ner_model.predict([word_labels, seq_types])

这样再次启动模型预测HTTP脚本，可以发现模型预测的HTTP请求是正常的。

$ curl --location --request POST 'http://192.168.1.193:25000/model/ner' \
    > --header 'Content-Type: application/json' \
    > --data-raw '{ > "text": "美国卫生部长阿扎尔辞职 原因曝光" > }'
    { 
      "code": 200,
      "message": "success",
      "data": { 
        "string": "美国卫生部长阿扎尔辞职原因曝光",
        "entities": [
          { 
            "word": "美国卫生部",
            "start": 0,
            "end": 5,
            "type": "ORG"
          },
          { 
            "word": "阿扎尔",
            "start": 6,
            "end": 9,
            "type": "PER"
          }
        ]
      }
    }

该脚本已上传至Github，网址为：[https://github.com/percent4/keras\_bert\_sequence\_labeling/blob/master/model\_server.py][https_github.com_percent4_keras_bert_sequence_labeling_blob_master_model_server.py] 。  
  感谢阅读~  
  2021年1月16日于上海浦东

[NLP_keras-bert]: https://blog.csdn.net/jclian91/article/details/111728692
[https_github.com_percent4_keras_bert_sequence_labeling_blob_master_model_server.py]: https://github.com/percent4/keras_bert_sequence_labeling/blob/master/model_server.py