Skip to content

P
PaddleHub

PaddlePaddle / PaddleHub
大约 1 年 前同步成功

通知 282
Star 12117
Fork 2091
P
PaddleHub
提交 51820323 编写于 作者: 走神的阿圆's avatar 走神的阿圆 提交者： Steffy-zxf
浏览文件
操作

Develop (#303) 

* update serving doc

* update serving doc

* fix doc format

* fix doc format

* modify serving tutorial
上级 1e77a3e3
隐藏空白更改
内联 并排
Showing with 378 addition and 140 deletion
demo/serving/README.md
浏览文件 @ 51820323
# PaddleHub-Serving
## 1. 简介
### 1.1 什么是PaddleHub-Serving
PaddleHub-Serving是基于PaddleHub的一键模型服务部署工具，能够通过简单的Hub命令行工具轻松启动一个模型预测在线服务。
# PaddleHub Serving
## 简介
### 背景
使用PaddleHub能够完成预训练模型的管理和预测，但开发者还经常面临将模型部署上线以对外提供服务的需求，而利用PaddleHub Serving可便捷的将模型部署上线，开发者只需要关注如何处理输入数据和输出结果即可。
### 主要功能
PaddleHub Serving是基于PaddleHub的一键模型服务部署工具，能够通过简单的Hub命令行工具轻松启动一个模型预测在线服务。
### 1.2 为什么使用PaddleHub-Serving
使用PaddleHub能够完成预训练模型的管理和一键预测，但开发者还经常面临将模型部署上线以对外提供服务的需求，而利用PaddleHub-Serving可便捷的将模型部署上线，开发者只需要关注如何处理输入数据和输出结果即可。
PaddleHub Serving主要包括利用Bert Service实现embedding服务化，以及利用预测模型实现预训练模型预测服务化两大功能，未来还将支持开发者使用PaddleHub Fine-tune API的模型服务化。
### 1.3 PaddleHub-Serving的组成
PaddleHub-Serving主要包括利用Bert Service实现embedding服务化，以及利用预测模型实现预训练模型预测服务化，未来还将支持开发者利用PaddleHub自己finetune后的模型服务化。
## Bert Service
Bert Service是基于[Paddle Serving](https://github.com/PaddlePaddle/Serving)框架的快速部署模型远程计算服务方案，可将embedding过程通过调用API接口的方式实现，减少了对机器资源的依赖。使用PaddleHub可在服务器上一键部署`Bert Service`服务，在另外的普通机器上通过客户端接口即可轻松的获取文本对应的embedding数据。
## 2. Bert Service
Bert Service是基于Paddle Serving框架的快速部署模型远程计算服务方案，可将embedding过程通过调用API接口的方式实现，减少了对机器资源的依赖。使用PaddleHub可在服务器上一键部署`Bert Service`服务，在另外的普通机器上通过客户端接口即可轻松的获取文本对应的embedding数据。
关于Bert Service的具体信息和示例请参阅[Bert Service](./bert_service)
关于Bert Service的具体信息和demo请参见[Bert Service](../../tutorial/bert_service.md)
该示例展示了利用Bert Service进行远程embedding服务化部署和在线预测，并获取文本embedding结果。
## 3. PaddleHub-Serving
预训练模型预测服务化能够一键完成模型服务部署，包括以下示例：
## 预训练模型一键服务部署
预训练模型一键服务部署是基于PaddleHub的预训练模型快速部署的服务化方案，能够将模型预测以API接口的方式实现。
关于预训练模型一键服务部署的具体信息请参见[PaqddleHub Serving](../../tutorial/serving.md)
预训练模型一键服务部署包括以下示例：
* [图像分类-基于vgg11_imagent](serving/classification_vgg11_imagenet)
* [图像分类-基于vgg11_imagent](module_serving/classification_vgg11_imagenet)
该示例展示了利用vgg11_imagent完成图像分类服务化部署和在线预测，获取图像分类结果。
  该示例展示了利用vgg11_imagent完成图像分类服务化部署和在线预测，获取图像分类结果。
* [图像生成-基于stgan_celeba](serving/GAN_stgan_celeba)
* [图像生成-基于stgan_celeba](module_serving/GAN_stgan_celeba)
该示例展示了利用stgan_celeba生成图像服务化部署和在线预测，获取指定风格的生成图像。
  该示例展示了利用stgan_celeba生成图像服务化部署和在线预测，获取指定风格的生成图像。
* [文本审核-基于porn_detection_lstm](serving/text_censorship_porn_detection_lstm)
* [文本审核-基于porn_detection_lstm](module_serving/text_censorship_porn_detection_lstm)
该示例展示了利用porn_detection_lstm完成中文文本黄色敏感信息鉴定的服务化部署和在线预测，获取文本是否敏感及其置信度。
  该示例展示了利用porn_detection_lstm完成中文文本黄色敏感信息鉴定的服务化部署和在线预测，获取文本是否敏感及其置信度。
* [中文词法分析-基于lac](serving/lexical_analysis_lac)
* [中文词法分析-基于lac](module_serving/lexical_analysis_lac)
该示例展示了利用lac完成中文文本分词服务化部署和在线预测，获取文本的分词结果，并可通过用户自定义词典干预分词结果。
  该示例展示了利用lac完成中文文本分词服务化部署和在线预测，获取文本的分词结果，并可通过用户自定义词典干预分词结果。
* [目标检测-基于yolov3_darknet53_coco2017](serving/object_detection_yolov3_darknet53_coco2017)
* [目标检测-基于yolov3_darknet53_coco2017](module_serving/object_detection_yolov3_darknet53_coco2017)
该示例展示了利用yolov3_darknet53_coco2017完成目标检测服务化部署和在线预测，获取检测结果和覆盖识别框的图片。
  该示例展示了利用yolov3_darknet53_coco2017完成目标检测服务化部署和在线预测，获取检测结果和覆盖识别框的图片。
* [中文语义分析-基于simnet_bow](serving/semantic_model_simnet_bow)
* [中文语义分析-基于simnet_bow](module_serving/semantic_model_simnet_bow)
该示例展示了利用simnet_bow完成中文文本相似度检测服务化部署和在线预测，获取文本的相似程度。
  该示例展示了利用simnet_bow完成中文文本相似度检测服务化部署和在线预测，获取文本的相似程度。
* [图像分割-基于deeplabv3p_xception65_humanseg](serving/semantic_segmentation_deeplabv3p_xception65_humanseg)
* [图像分割-基于deeplabv3p_xception65_humanseg](module_serving/semantic_segmentation_deeplabv3p_xception65_humanseg)
该示例展示了利用deeplabv3p_xception65_humanseg完成图像分割服务化部署和在线预测，获取识别结果和分割后的图像。
  该示例展示了利用deeplabv3p_xception65_humanseg完成图像分割服务化部署和在线预测，获取识别结果和分割后的图像。
* [中文情感分析-基于simnet_bow](serving/semantic_model_simnet_bow)
* [中文情感分析-基于simnet_bow](module_serving/semantic_model_simnet_bow)
该示例展示了利用senta_lstm完成中文文本情感分析服务化部署和在线预测，获取文本的情感分析结果。
  该示例展示了利用senta_lstm完成中文文本情感分析服务化部署和在线预测，获取文本的情感分析结果。
关于Paddle-Serving一键模型部署功能的具体信息请参与[serving](./serving)
关于Paddle Serving预训练模型一键服务部署功能的具体信息请参见[serving](module_serving)
demo/serving/serving/GAN_stgan_celeba/README.md → demo/serving/module_serving/GAN_stgan_celeba/README.md
浏览文件 @ 51820323
# 部署图像生成服务-以stgan_celeba为例
## 1 简介
图像生成是指根据预先设置的标签，生成对应图像的过程。stgan_celeba通过在GAN中加入encoder-decoder，可实现人脸属性的转换。关于stgan_celeba的具体信息请参阅[stgan_celeba](https://paddlepaddle.org.cn/hubdetail?name=stgan_celeba&en_category=GANs)。
## 简介
图像生成是指根据预先设置的标签，生成对应图像的过程。stgan_celeba通过在GAN中加入encoder-decoder，可实现人脸属性的转换。关于stgan_celeba的具体信息请参见[stgan_celeba](https://paddlepaddle.org.cn/hubdetail?name=stgan_celeba&en_category=GANs)。
使用PaddleHub-Serving可以轻松部署一个在线图像生成服务API，可将此API接入自己的web网站，也可接入应用程序，如美图类应用，实现传照片修饰脸的功能。
使用PaddleHub Serving可以轻松部署一个在线图像生成服务API，可将此API接入自己的web网站，也可接入应用程序，如美图类应用，实现传照片修饰脸的功能。
下面就带领大家使用PaddleHub-Serving，通过简单几步部署一个图像生成服务。
下面就带领大家使用PaddleHub Serving，通过简单几步部署一个图像生成服务。
## 2 启动PaddleHub-Serving
启动命令如下
## Step1：启动PaddleHub Serving
启动命令如下：
```shell
$ hub serving start -m stgan_celeba
```
启动时会显示加载模型过程，启动成功后显示
启动时会显示加载模型过程，启动成功后显示：
```shell
Loading stgan_celeba successful.
```
这样就完成了一个图像生成服务化API的部署，默认端口号为8866。
## 3 测试图像生成在线API
我们用来测试的样例图片为
## Step2：测试图像生成在线API
我们用来测试的样例图片为：
<p align="center">
<img src="../img/man.png" width="30%" />
</p>
根据stgan_celeba所需信息，准备的数据包括图像文件和生成图像风格，格式为
根据stgan_celeba所需信息，准备的数据包括图像文件和生成图像风格，格式为：
```python
files = [("image", file_a), ("image", file_b)]
data = {"info": ["info_a_1, info_a_2", "info_b_1, info_b_2"], "style": ["style_a", "style_b"]}
```
注意文件列表每个元素第一个参数为"image"。
**NOTE:** 文件列表每个元素第一个参数为"image"。
info为图像描述，根据示例图像信息，info应为"Male,Black_Hair,Eyeglasses,No_Beard"，即"男性，黑发，戴眼镜，没有胡子"。
......@@ -43,6 +44,8 @@ image为要生成的图像风格，我们选取"Bald"(秃顶的)作为生成图
>>> # 为每张图片对应指定info和style
>>> data = {"info": ["Male,Black_Hair,Eyeglasses,No_Beard"], "style": ["Bald"]}
```
## Step3：获取并验证结果
然后就可以发送请求到图像生成服务API，并得到结果，代码如下
```python
......
demo/serving/serving/classification_vgg11_imagenet/README.md → demo/serving/module_serving/classification_vgg11_imagenet/README.md
浏览文件 @ 51820323
# 部署图像分类服务-以vgg11_imagenent为例
## 1 简介
图像分类是指通过模型，预测给定的图片所属类别，vgg11_imagenent就是一种有效的图像分类模型。关于vgg11_imagenent的具体信息请参阅[vgg11_imagenent](https://paddlepaddle.org.cn/hubdetail?name=vgg11_imagenet&en_category=ImageClassification)。
## 简介
图像分类是指通过模型，预测给定的图片所属类别，vgg11_imagenent就是一种有效的图像分类模型。关于vgg11_imagenent的具体信息请参见[vgg11_imagenent](https://paddlepaddle.org.cn/hubdetail?name=vgg11_imagenet&en_category=ImageClassification)。
使用PaddleHub-Serving可以部署一个在线图片分类服务，既可以对用户暴露直接预测接口，也可以利用此接口实现一个web网站，甚至可以集成到移动端应用程序中实现拍照识别功能。
使用PaddleHub Serving可以部署一个在线图片分类服务，既可以对用户暴露直接预测接口，也可以利用此接口实现一个web网站，甚至可以集成到移动端应用程序中实现拍照识别功能。
这里就带领大家使用PaddleHub-Serving，通过简单几步部署一个图像分类服务。
这里就带领大家使用PaddleHub Serving，通过简单几步部署一个图像分类服务。
## 2 启动PaddleHub-Serving
启动命令如下
## Step1：启动PaddleHub Serving
启动命令如下：
```shell
$ hub serving start -m vgg11_imagenet
```
启动时会显示加载模型过程，启动成功后显示
启动时会显示加载模型过程，启动成功后显示：
```shell
Loading vgg11_imagenet successful.
```
这样就完成了一个图像分类服务化API的部署，默认端口号为8866。
## 3 测试图像分类在线API
我们用来测试的样例图片为
## Step2：测试图像分类在线API
我们用来测试的样例图片为：
<p align="center">
<img src="../img/cat.jpg" width="45%" />
......@@ -28,24 +28,26 @@ Loading vgg11_imagenet successful.
<img src="../img/flower.jpg" width="45%"/>
</p>
准备的数据格式为
准备的数据格式为：
```python
files = [("image", file_1), ("image", file_2)]
```
注意每个元素第一个参数为"image"。
**NOTE:** 每个元素第一个参数为"image"。
代码如下
代码如下：
```python
>>> file_list = ["../img/cat.jpg", "../img/flower.jpg"]
>>> files = [("image", (open(item, "rb"))) for item in file_list]
```
然后就可以发送请求到图像分类服务API，并得到结果了，代码如下
## Step3：获取并验证结果
然后就可以发送请求到图像分类服务API，并得到结果了，代码如下：
```python
>>> # 指定检测方法为vgg11_imagenet并发送post请求
>>> url = "http://127.0.0.1:8866/predict/image/vgg11_imagenet"
>>> r = requests.post(url=url, files=files)
```
vgg11_imagenent返回的结果为图像分类结果及其对应的概率，我们尝试打印接口返回结果
vgg11_imagenent返回的结果为图像分类结果及其对应的概率，我们尝试打印接口返回结果：
```python
>>> print(json.dumps(r.json(), indent=4, ensure_ascii=False))
......
demo/serving/serving/lexical_analysis_lac/README.md → demo/serving/module_serving/lexical_analysis_lac/README.md
浏览文件 @ 51820323
# 部署词法分析服务-以lac为例
## 1 简介
`Lexical Analysis of Chinese`，简称`LAC`，是一个联合的词法分析模型，能整体性地完成中文分词、词性标注、专名识别任务。关于`LAC`的具体信息请参阅[LAC](https://paddlepaddle.org.cn/hubdetail?name=lac&en_category=LexicalAnalysis)。
## 简介
`Lexical Analysis of Chinese`，简称`LAC`，是一个联合的词法分析模型，能整体性地完成中文分词、词性标注、专名识别任务。关于`LAC`的具体信息请参见[LAC](https://paddlepaddle.org.cn/hubdetail?name=lac&en_category=LexicalAnalysis)。
使用PaddleHub-Serving可以部署一个在线词法分析服务，可以将此接口用于词法分析、在线分词等在线web应用。
使用PaddleHub Serving可以部署一个在线词法分析服务，可以将此接口用于词法分析、在线分词等在线web应用。
这里就带领大家使用PaddleHub-Serving，通过简单几步部署一个词法分析在线服务。
这里就带领大家使用PaddleHub Serving，通过简单几步部署一个词法分析在线服务。
## 2 启动PaddleHub-Serving
## 2 启动PaddleHub Serving
启动命令如下
```shell
$ hub serving start -m lac
......@@ -17,15 +17,15 @@ Loading lac successful.
```
这样就完成了一个词法分析服务化API的部署，默认端口号为8866。
## 3 测试语言模型在线API
### 3.1 不使用自定义词典
## Step2：测试语言模型在线API
### 不使用自定义词典
在服务部署好之后，我们可以进行测试，用来测试的文本为`今天是个好日子`和`天气预报说今天要下雨`。
准备的数据格式为
```python
{"text": [text_1, text_2, ...]}
```
注意字典的key为"text"。
**NOTE:** 字典的key为"text"。
根据文本和数据格式，代码如下
```python
......@@ -33,6 +33,8 @@ Loading lac successful.
>>> text_list = ["今天是个好日子", "天气预报说今天要下雨"]
>>> text = {"text": text_list}
```
## Step3：获取并验证结果
接下来发送请求到词法分析API，并得到结果，代码如下
```python
# 指定预测方法为lac并发送post请求
......@@ -82,7 +84,7 @@ Loading lac successful.
完整的测试代码见[lac_serving_demo.py](lac_serving_demo.py)。
### 3.2 使用自定义词典
### 使用自定义词典
`LAC`模型在预测时还可以使用自定义词典干预默认分词结果，这种情况只需要将自定义词典以文件的形式附加到request请求即可，数据格式如下
```python
{"user_dict": user_dict.txt}
......
demo/serving/serving/object_detection_yolov3_darknet53_coco2017/README.md → demo/serving/module_serving/object_detection_yolov3_darknet53_coco2017/README.md
浏览文件 @ 51820323
# 部署图像分类服务-以yolov3_darknet53_coco2017为例
## 1 简介
目标检测作为深度学习常见任务，在各种场景下都有所使用。使用`yolov3_darknet53_coco2017`模型可以进行目标检测任务，关于`yolov3_darknet53_coco2017`的具体信息请参阅[yolov3_darknet53_coco2017](https://paddlepaddle.org.cn/hubdetail?name=yolov3_darknet53_coco2017&en_category=ObjectDetection)。
## 简介
目标检测作为深度学习常见任务，在各种场景下都有所使用。使用`yolov3_darknet53_coco2017`模型可以进行目标检测任务，关于`yolov3_darknet53_coco2017`的具体信息请参见[yolov3_darknet53_coco2017](https://paddlepaddle.org.cn/hubdetail?name=yolov3_darknet53_coco2017&en_category=ObjectDetection)。
使用PaddleHub-Serving可以轻松部署一个在线目标检测服务API，可将此API接入自己的web网站进行在线目标检测，也可接入移动端应用程序，实现识图、圈人等功能。
使用PaddleHub Serving可以轻松部署一个在线目标检测服务API，可将此API接入自己的web网站进行在线目标检测，也可接入移动端应用程序，实现识图、圈人等功能。
下面就带领大家使用PaddleHub-Serving，通过简单几步部署一个目标检测服务。
下面就带领大家使用PaddleHub Serving，通过简单几步部署一个目标检测服务。
## 2 启动PaddleHub-Serving
## Step1：启动PaddleHub Serving
启动命令如下
```shell
$ hub serving start -m yolov3_darknet53_coco2017
......@@ -17,7 +17,7 @@ Loading yolov3_darknet53_coco2017 successful.
```
这样就完成了一个图像生成服务化API的部署，默认端口号为8866。
## 3 测试图像生成在线API
## Step2：测试图像生成在线API
我们用来测试的样例图片为
<p align="center">
......@@ -36,7 +36,7 @@ Loading yolov3_darknet53_coco2017 successful.
```python
files = [("image", file_1), ("image", file_2)]
```
注意文件列表每个元素第一个参数为"image"。
**NOTE:** 文件列表每个元素第一个参数为"image"。
代码如下
```python
......@@ -44,6 +44,8 @@ files = [("image", file_1), ("image", file_2)]
>>> file_list = ["../img/cat.jpg", "../img/dog.jpg"]
>>> files = [("image", (open(item, "rb"))) for item in file_list]
```
## Step3：获取并验证结果
然后就可以发送请求到目标检测服务API，并得到结果，代码如下
```python
>>> # 指定检测方法为yolov3_darknet53_coco2017并发送post请求
......
demo/serving/serving/semantic_model_simnet_bow/README.md → demo/serving/module_serving/semantic_model_simnet_bow/README.md
浏览文件 @ 51820323
# 部署语义模型服务-以simnet_bow为例
## 1 简介
`simnet_bow`是一个计算短文本相似度的模型，可以根据用户输入的两个文本，计算出相似度得分。关于`simnet_bow`的具体信息请参阅[simnet_bow](https://paddlepaddle.org.cn/hubdetail?name=simnet_bow&en_category=SemanticModel)。
## 简介
`simnet_bow`是一个计算短文本相似度的模型，可以根据用户输入的两个文本，计算出相似度得分。关于`simnet_bow`的具体信息请参见[simnet_bow](https://paddlepaddle.org.cn/hubdetail?name=simnet_bow&en_category=SemanticModel)。
使用PaddleHub-Serving可以部署一个在线语义模型服务，可以将此接口用于在线文本相似度分析、智能问答检索等应用。
使用PaddleHub Serving可以部署一个在线语义模型服务，可以将此接口用于在线文本相似度分析、智能问答检索等应用。
这里就带领大家使用PaddleHub-Serving，通过简单几步部署一个语义模型在线服务。
这里就带领大家使用PaddleHub Serving，通过简单几步部署一个语义模型在线服务。
## 2 启动PaddleHub-Serving
## Step1：启动PaddleHub Serving
启动命令如下
```shell
$ hub serving start -m simnet_bow
......@@ -17,14 +17,14 @@ Loading lac successful.
```
这样就完成了一个语义模型服务化API的部署，默认端口号为8866。
## 3 测试语义模型在线API
## Step2：测试语义模型在线API
在服务部署好之后，我们可以进行测试，用来测试的文本对分别为`[这道题太难了:这道题是上一年的考题], [这道题太难了:这道题不简单], [这道题太难了:这道题很有意思]`。
准备的数据格式为
```python
{"text_1": [text_a1, text_a2, ... ], "text_2": [text_b1, text_b2, ... ]}
```
注意字典的key分别为"text_1"和"text_2"，与`simnet_bow`模型使用的输入数据一致。
**NOTE:** 字典的key分别为"text_1"和"text_2"，与`simnet_bow`模型使用的输入数据一致。
根据文本和数据格式，代码如下
```python
......@@ -35,6 +35,8 @@ Loading lac successful.
>>> "text_2": ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]
>>> }
```
## Step3：获取并验证结果
接下来发送请求到语义模型API，并得到结果，代码如下
```python
>>> # 指定匹配方法为simnet_bow并发送post请求
......
demo/serving/serving/semantic_segmentation_deeplabv3p_xception65_humanseg/README.md → demo/serving/module_serving/semantic_segmentation_deeplabv3p_xception65_humanseg/README.md
浏览文件 @ 51820323
# 部署图像分割服务-以deeplabv3p_xception65_humanseg为例
## 1 简介
图像分割是深度学习的常见任务。使用`deeplabv3p_xception65_humanseg`模型可以进行人像分割任务，关于`deeplabv3p_xception65_humanseg`的具体信息请参阅[deeplabv3p_xception65_humanseg](https://paddlepaddle.org.cn/hubdetail?name=deeplabv3p_xception65_humanseg&en_category=ImageSegmentation)。
## 简介
图像分割是深度学习的常见任务。使用`deeplabv3p_xception65_humanseg`模型可以进行人像分割任务，关于`deeplabv3p_xception65_humanseg`的具体信息请参见[deeplabv3p_xception65_humanseg](https://paddlepaddle.org.cn/hubdetail?name=deeplabv3p_xception65_humanseg&en_category=ImageSegmentation)。
使用PaddleHub-Serving可以轻松部署一个在线图像分割服务API，可将此API接入自己的web网站进行在线图像分割，也可接入移动端应用程序，实现拍照分割等功能。
使用PaddleHub Serving可以轻松部署一个在线图像分割服务API，可将此API接入自己的web网站进行在线图像分割，也可接入移动端应用程序，实现拍照分割等功能。
下面就带领大家使用PaddleHub-Serving，通过简单几步部署一个目标检测服务。
下面就带领大家使用PaddleHub Serving，通过简单几步部署一个目标检测服务。
## 2 启动PaddleHub-Serving
## Step1：启动PaddleHub Serving
启动命令如下
```shell
$ hub serving start -m deeplabv3p_xception65_humanseg
......@@ -17,7 +17,7 @@ Loading deeplabv3p_xception65_humanseg successful.
```
这样就完成了一个图像分割服务化API的部署，默认端口号为8866。
## 3 测试图像分割在线API
## Step2：测试图像分割在线API
我们用来测试的样例图片为
<p align="center">
......@@ -30,7 +30,7 @@ Loading deeplabv3p_xception65_humanseg successful.
```python
files = [("image", file_1), ("image", file_2)]
```
注意文件列表每个元素第一个参数为"image"。
**NOTE:** 文件列表每个元素第一个参数为"image"。
代码如下
```python
......@@ -38,6 +38,8 @@ files = [("image", file_1), ("image", file_2)]
>>> file_list = ["../img/girl.jpg"]
>>> files = [("image", (open(item, "rb"))) for item in file_list]
```
## Step3：获取并验证结果
然后就可以发送请求到图像分割服务API，并得到结果，代码如下
```python
>>> # 指定检测方法为deeplabv3p_xception65_humanseg并发送post请求
......
demo/serving/serving/Sentiment_Analysis_senta_lstm/README.md → demo/serving/module_serving/sentiment_analysis_senta_lstm/README.md
浏览文件 @ 51820323
# 部署情感分析服务-以senta_lstm为例
## 1 简介
情感分析针对带有主观描述的中文文本，可自动判断该文本的情感极性类别并给出相应的置信度。利用`senta_lstm`模型可以完成中文情感分析任务，关于`senta_lstm`的具体信息请参阅[senta_lstm](https://paddlepaddle.org.cn/hubdetail?name=senta_lstm&en_category=SentimentAnalysis)。
## 简介
情感分析针对带有主观描述的中文文本，可自动判断该文本的情感极性类别并给出相应的置信度。利用`senta_lstm`模型可以完成中文情感分析任务，关于`senta_lstm`的具体信息请参见[senta_lstm]
(https://paddlepaddle.org.cn/hubdetail?name=senta_lstm&en_category=SentimentAnalysis)。
使用PaddleHub-Serving可以部署一个在线情感分析服务，可以将此接口用于分析评论、智能客服等应用。
使用PaddleHub Serving可以部署一个在线情感分析服务，可以将此接口用于分析评论、智能客服等应用。
这里就带领大家使用PaddleHub-Serving，通过简单几步部署一个情感分析在线服务。
这里就带领大家使用PaddleHub Serving，通过简单几步部署一个情感分析在线服务。
## 2 启动PaddleHub-Serving
## Step1：启动PaddleHub Serving
启动命令如下
```shell
$ hub serving start -m senta_lstm
......@@ -17,14 +18,14 @@ Loading senta_lstm successful.
```
这样就完成了一个词法分析服务化API的部署，默认端口号为8866。
## 3 测试词法分析在线API
## Step2：测试词法分析在线API
在服务部署好之后，我们可以进行测试，用来测试的文本为`我不爱吃甜食`和`我喜欢躺在床上看电影`。
准备的数据格式为
```python
{"text": [text_1, text_2, ...]}
```
注意字典的key为"text"。
**NOTE:** 字典的key为"text"。
根据文本和数据格式，代码如下
```python
......@@ -32,6 +33,8 @@ Loading senta_lstm successful.
>>> text_list = ["我不爱吃甜食", "我喜欢躺在床上看电影"]
>>> text = {"text": text_list}
```
## Step3：获取并验证结果
接下来发送请求到词法分析API，并得到结果，代码如下
```python
# 指定预测方法为lac并发送post请求
......
demo/serving/serving/text_censorship_porn_detection_lstm/README.md → demo/serving/module_serving/text_censorship_porn_detection_lstm/README.md
浏览文件 @ 51820323
# 部署文本审核服务-以porn_detection_lstm为例
## 1 简介
在网站建设等场景中经常需要对敏感信息进行鉴定和过滤，采用文本审核模型`porn_detection_lstm`可自动判别文本是否涉黄并给出相应的置信度，关于`porn_detection_lstm`的具体信息请参阅[porn_detection_lstm](https://paddlepaddle.org.cn/hubdetail?name=porn_detection_lstm&en_category=TextCensorship)
## 简介
在网站建设等场景中经常需要对敏感信息进行鉴定和过滤，采用文本审核模型`porn_detection_lstm`可自动判别文本是否涉黄并给出相应的置信度，关于`porn_detection_lstm`的具体信息请参见[porn_detection_lstm](https://paddlepaddle.org
.cn/hubdetail?name=porn_detection_lstm&en_category=TextCensorship)
使用PaddleHub-Serving可以部署一个在线文本审核服务，可以将此接口用于防止低俗交友、色情文本等应用。
使用PaddleHub Serving可以部署一个在线文本审核服务，可以将此接口用于防止低俗交友、色情文本等应用。
这里就带领大家使用PaddleHub-Serving，通过简单几步部署一个文本审核在线服务。
这里就带领大家使用PaddleHub Serving，通过简单几步部署一个文本审核在线服务。
## 2 启动PaddleHub-Serving
## Step1：启动PaddleHub Serving
启动命令如下
```shell
$ hub serving start -m porn_detection_lstm
......@@ -17,14 +18,14 @@ Loading porn_detection_lstm successful.
```
这样就完成了一个文本审核服务化API的部署，默认端口号为8866。
## 3 测试文本审核在线API
## Step2：测试文本审核在线API
在服务部署好之后，我们可以进行测试，用来测试的文本为`黄片下载`和`中国黄页`。
准备的数据格式为
```python
{"text": [text_1, text_2, ...]}
```
注意字典的key为"text"。
**NOTE:** 字典的key为"text"。
根据文本和数据格式，代码如下
```python
......@@ -32,6 +33,7 @@ Loading porn_detection_lstm successful.
>>> text_list = ["黄片下载", "中国黄页"]
>>> text = {"text": text_list}
```
## Step3：获取并验证结果
接下来发送请求到文本审核API，并得到结果，代码如下
```python
# 指定预测方法为lac并发送post请求
......
demo/serving/bert_service/README.md → tutorial/bert_service.md
浏览文件 @ 51820323
# Bert Service
## 1. 简介
### 1.1 什么是Bert Service
`Bert Service`是基于Paddle Serving框架的快速部署模型远程计算服务方案，可将embedding过程通过调用API接口的方式实现，减少了对机器资源的依赖。使用PaddleHub可在服务器上一键部署`Bert Service`服务，在另外的普通机器上通过客户端接口即可轻松的获取文本对应的embedding数据。
## 简介
### 什么是Bert Service
`Bert Service`是基于[Paddle Serving](https://github.com/PaddlePaddle/Serving)框架的快速部署模型远程计算服务方案，可将embedding过程通过调用API接口的方式实现，减少了对机器资源的依赖。使用PaddleHub可在服务器上一键部署`Bert Service`服务，在另外的普通机器上通过客户端接口即可轻松的获取文本对应的embedding数据。
整体流程图如下：
<div align="center">
<img src="./img/bs.png" aligh="center" width="100%" alt="BS流程图" />
<img src="../demo/serving/bert_service/img/bs.png" aligh="center" width="100%" alt="BS流程图" />
</div>
### 1.2 为什么使用Bert Service
### 为什么使用Bert Service
* 算力有限的集群环境中，可利用一台或几台高性能机器部署`Bert Service`服务端，为全部机器提供在线embedding功能。
* 实际的生产服务器不适宜承担大批量embedding工作，通过API接口可减少资源占用。
......@@ -28,9 +28,10 @@
* 删繁就简，专注任务。`Bert Service`基于PaddlePaddle和PaddleHub开发，将模型的下载和安装等管理工作交由PaddleHub，开发者可以专注于主要任务，还可以无缝对接PaddleHub继续进行文本分类、序列标注等下游任务。
使用Bert Service搭建服务主要分为下面三个步骤：
## 2. 环境准备
### 2.1 环境要求
## Step1：环境准备
### 环境要求
下表是使用`Bert Service`的环境要求，带有*号标志项为非必需依赖，可根据实际使用需求选择安装。
|项目|版本|说明|
......@@ -43,7 +44,7 @@
|paddle-gpu-serving*|>=0.8.0|在`Bert Service`服务端需依赖此包|
|ujson*|>=1.35|在`Bert Service`客户端需依赖此包|
### 2.2 安装步骤
### 安装步骤
a) 安装PaddlePaddle，利用pip下载CPU版本命令如下。GPU版本、Docker方式安装等其他更具体的安装过程见[开始使用PaddlePaddle](https://paddlepaddle.org.cn/install/quick)
```shell
$ # 安装paddlepaddle的CPU版本
......@@ -63,7 +64,7 @@ $ pip install ujson
```
## 3. 支持模型
### 支持模型
目前`Bert Service`支持的语义模型如下表，可根据需要选择模型进行部署embedding服务，未来还将支持更多模型。
|模型|网络|
......@@ -83,13 +84,13 @@ $ pip install ujson
|[bert_chinese_L-12_H-768_A-12](https://paddlepaddle.org.cn/hubdetail?name=bert_chinese_L-12_H-768_A-12&en_category=SemanticModel)|BERT|
## 4. 服务端(server)
### 4.1 简介
## Step2：服务端(server)
### 简介
server端接收client端发送的数据，执行模型计算过程并将计算结果返回给client端。
server端启动时会按照指定的模型名称从PaddleHub获取对应的模型文件进行加载，无需提前下载模型或指定模型路径，对模型的管理工作由PaddleHub负责。在加载模型后在指定的端口启动`BRPC`服务，保持端口监听，当接收到数据后便执行模型计算，并将计算结果通过`BRPC`返回并发送至client端。
### 4.2 启动
### 启动
使用PaddleHub的命令行工具可一键启动`Bert Service`，命令如下：
```shell
$ hub serving start bert_service -m ernie_tiny -p 8866 --use_gpu --gpu 0
......@@ -122,19 +123,19 @@ Server[baidu::paddle_serving::predictor::bert_service::BertServiceImpl] is servi
</div>
### 4.3 关闭
### 关闭
通过在启动服务端的命令行页面使用Ctrl+C终止`Bert Service`运行，关闭成功则显示：
```shell
Paddle Inference Server exit successfully!
```
## 5.客户端(client)
### 5.1 简介
## Step3：客户端(client)
### 简介
client端接收文本数据，并获取server端返回的模型计算的embedding结果。
client端利用PaddleHub的语义理解任务将原始文本按照不同模型的数据预处理方案将文本ID化，并生成对应的sentence type、position、input masks数据，将这些信息封装成json数据，通过http协议按照指定的IP端口信息发送至server端，等待并获取模型生成结果。
### 5.2 启动
### 启动
服务端类BSClient初始化方法原型为：
```python
BSClient.__init__(self,
......@@ -159,12 +160,12 @@ BSClient.get_result(self, input_text)
|retry|连接失败后的最大重试次数|int|3|
|input_text|输入文本，要获取embedding的原始文本|二维list类型，内部元素为string类型的文本|[['样例1'],['样例2']]|
## 6. Demo
## Demo-利用Bert Service部署ernie_tiny在线embedding服务
在这里，我们将展示一个实际场景中可能使用的demo，我们利用PaddleHub在一台GPU机器上部署`ernie_tiny`模型服务，并在另一台CPU机器上尝试访问，获取一首七言绝句的embedding。
### 6.1 安装环境依赖
### Step1：安装环境依赖
首先需要安装环境依赖，根据第2节内容分别在两台机器上安装相应依赖。
### 6.2 启动Bert Service服务端
### Step2：启动Bert Service服务端
确保环境依赖安装正确后，在要部署服务的GPU机器上使用PaddleHub命令行工具启动`Bert Service`服务端，命令如下：
```shell
$ hub serving start bert_service -m ernie_tiny --use_gpu --gpu 0 --port 8866
......@@ -174,7 +175,7 @@ $ hub serving start bert_service -m ernie_tiny --use_gpu --gpu 0 --port 8866
Server[baidu::paddle_serving::predictor::bert_service::BertServiceImpl] is serving on port=8866.
```
这样就启动了`ernie_tiny`的在线服务，监听8866端口，并在0号GPU上进行任务。
### 6.3 使用Bert Service客户端进行远程调用
### Step3：使用Bert Service客户端进行远程调用
部署好服务端后，就可以用普通机器作为客户端测试在线embedding功能。
首先导入客户端依赖。
......@@ -200,7 +201,7 @@ result = bc.get_result(input_text=input_text)
```python
[[0.9993321895599361, 0.9994612336158751, 0.9999646544456481, 0.732795298099517, -0.34387934207916204, ... ]]
```
客户端代码demo文件见[示例](bert_service_client.py)。
客户端代码demo文件见[示例](../paddlehub/serving/bert_serving/bert_service.py)。
运行命令如下：
```shell
$ python bert_service_client.py
......@@ -214,30 +215,30 @@ $ python bert_service_client.py
</div>
### 6.4 关闭Bert Service服务端
### Step4：关闭Bert Service服务端
如要停止`Bert Service`服务端程序，可在其启动命令行页面使用Ctrl+C方式关闭，关闭成功会打印如下日志：
```shell
Paddle Inference Server exit successfully!
```
这样，我们就利用一台GPU机器就完成了`Bert Service`的部署，并利用另一台普通机器进行了测试，可见通过`Bert Service`能够方便地进行在线embedding服务的快速部署。
## 7. FAQ
> Q : 如何在一台服务器部署多个模型？
> A : 可通过多次启动`Bert Service`，分配不同端口实现。如果使用GPU，需要指定不同的显卡。如同时部署`ernie`和`bert_chinese_L-12_H-768_A-12`，分别执行命令如下：
> ```shell
> $ hub serving start bert_service -m ernie -p 8866
> $ hub serving start bert_service -m bert_chinese_L-12_H-768_A-12 -p 8867
> ```
## FAQ
Q : 如何在一台服务器部署多个模型？
A : 可通过多次启动`Bert Service`，分配不同端口实现。如果使用GPU，需要指定不同的显卡。如同时部署`ernie`和`bert_chinese_L-12_H-768_A-12`，分别执行命令如下：
```shell
$ hub serving start bert_service -m ernie -p 8866
$ hub serving start bert_service -m bert_chinese_L-12_H-768_A-12 -p 8867
```
> Q : 启动时显示"Check out http://yq01-gpu-255-129-12-00.epc.baidu.com:8887 in web
Q : 启动时显示"Check out http://yq01-gpu-255-129-12-00.epc.baidu.com:8887 in web
browser."，这个页面有什么作用。
> A : 这是`BRPC`的内置服务，主要用于查看请求数、资源占用等信息，可对server端性能有大致了解，具体信息可查看[BRPC内置服务](https://github.com/apache/incubator-brpc/blob/master/docs/cn/builtin_service.md)。
> Q : 为什么输入文本的格式为[["文本1"], ["文本2"], ]，而不是["文本1", "文本2", ]？
> A : 因为Bert模型可以对一轮对话生成向量表示，例如[["问题1","回答1"],["问题2","回答2"]]，为了防止使用时混乱，每个样本使用一个list表示，一个样本list内部可以是1条string或2条string，如下面的文本：
> ```python
> input_text = [
> ["你今天吃饭了吗","我已经吃过饭了"],
> ["今天天气怎么样","今天天气不错"],
> ]
> ```
A : 这是`BRPC`的内置服务，主要用于查看请求数、资源占用等信息，可对server端性能有大致了解，具体信息可查看[BRPC内置服务](https://github.com/apache/incubator-brpc/blob/master/docs/cn/builtin_service.md)。
Q : 为什么输入文本的格式为[["文本1"], ["文本2"], ]，而不是["文本1", "文本2", ]？
A : 因为Bert模型可以对一轮对话生成向量表示，例如[["问题1","回答1"],["问题2","回答2"]]，为了防止使用时混乱，每个样本使用一个list表示，一个样本list内部可以是1条string或2条string，如下面的文本：
```python
input_text = [
["你今天吃饭了吗","我已经吃过饭了"],
["今天天气怎么样","今天天气不错"],
]
```
demo/serving/serving/README.md → tutorial/serving.md
浏览文件 @ 51820323
# Hub-Serving一键服务部署
## 1 简介
### 1.1 什么是PaddleHub-Serving一键服务部署
PaddleHub-Serving是基于PaddleHub的一键模型服务部署工具，能够通过简单的Hub命令行工具轻松启动一个模型预测在线服务，开发者可利用PaddleHub-Serving快速得到一个预测服务API。
# PaddleHub Serving模型一键服务部署
## 简介
### 为什么使用一键服务部署
使用PaddleHub能够快速进行迁移学习和模型预测，但开发者常面临将训练好的模型部署上线的需求，无论是对外开放服务端口，还是在局域网中搭建预测服务，都需要PaddleHub具有快速部署模型预测服务的能力。在这个背景下，模型一键服务部署工具——PaddleHub Serving应运而生。开发者通过一句命令快速得到一个预测服务API，而无需关注网络框架选择和实现。
### 什么是一键服务部署
PaddleHub Serving是基于PaddleHub的一键模型服务部署工具，能够通过简单的Hub命令行工具轻松启动一个模型预测在线服务，前端通过Flask和Gunicorn完成网络请求的处理，后端直接调用PaddleHub预测接口，同时支持使用多进程方式利用多核提高并发能力，保证预测服务的性能。
### 1.2 支持模型
目前PaddleHub-Serving支持PaddleHub所有可直接用于预测的模型进行服务部署，包括`lac`、`senta_bilstm`等nlp类模型，以及`yolov3_coco2017`、`vgg16_imagenet`等cv类模型，未来还将支持开发者使用自己finetune后的模型用于快捷服务部署。
### 支持模型
目前PaddleHub Serving支持PaddleHub所有可直接用于预测的模型进行服务部署，包括`lac`、`senta_bilstm`等nlp类模型，以及`yolov3_coco2017`、`vgg16_imagenet`等cv类模型，未来还将支持开发者使用PaddleHub Fine-tune API得到的模型用于快捷服务部署。
### 1.3 所需环境
下表是使用PaddleHub-Serving的环境要求及注意事项。
### 所需环境
下表是使用PaddleHub Serving的环境要求及注意事项。
|项目|建议版本|说明|
|:-:|:-:|:-:|
......@@ -15,11 +17,11 @@ PaddleHub-Serving是基于PaddleHub的一键模型服务部署工具，能够通
|PaddleHub|>=1.4.0|无|
|PaddlePaddle|>=1.6.1|若使用GPU计算，则对应使用PaddlePaddle-gpu版本|
## 2 使用
### 2.1 启动Hub-Serving服务端部署
## 使用
### Step1：启动服务端部署
Hub-Serving有两种启动方式，分别是使用命令行命令启动，以及使用配置文件启动。
#### 2.1.1 命令行命令启动
#### 命令行命令启动
启动命令
```shell
$ hub serving start --modules [Module1==Version1, Module2==Version2, ...] \
......@@ -37,7 +39,7 @@ $ hub serving start --modules [Module1==Version1, Module2==Version2, ...] \
|--use_gpu|使用GPU进行预测，必须安装paddlepaddle-gpu|
|--use_multiprocess|是否启用并发方式，默认为单进程方式|
#### 2.1.2 配置文件启动
#### 配置文件启动
启动命令
```shell
$ hub serving start --config config.json
......@@ -73,31 +75,31 @@ $ hub serving start --config config.json
|--port/-p|服务端口，默认为8866|
|--use_multiprocess|是否启用并发方式，默认为单进程方式，推荐多核CPU机器使用此方式|
### 2.2 访问PaddleHub-Serving服务端
### Step2：访问服务端
在使用PaddleHub-Serving部署服务端的模型预测服务后，就可以在客户端访问预测接口以获取结果了，接口url格式为：
在使用PaddleHub Serving部署服务端的模型预测服务后，就可以在客户端访问预测接口以获取结果了，接口url格式为：
http://0.0.0.0:8866/predict/\<CATEGORY\>/\<MODULE>
http://0.0.0.0:8866/predict/<CATEGORY\>/\<MODULE>
其中，\<CATEGORY>为text或image，与模型种类对应，\<MODULE>为模型名。
通过发送一个POST请求，即可获取预测结果，下面我们将展示一个具体的demo，以说明使用PaddleHub-Serving部署和使用流程。
通过发送一个POST请求，即可获取预测结果，下面我们将展示一个具体的demo，以说明使用PaddleHub Serving部署和使用流程。
### 2.3 利用PaddleHub-Serving进行个性化开发
使用PaddleHub-Serving进行模型服务部署后，可以利用得到的接口进行开发，如对外提供web服务，或接入到应用程序中，以降低客户端预测压力，提高性能，下面展示了一个web页面demo:
### Step3：利用PaddleHub Serving进行个性化开发
使用PaddleHub Serving进行模型服务部署后，可以利用得到的接口进行开发，如对外提供web服务，或接入到应用程序中，以降低客户端预测压力，提高性能，下面展示了一个web页面demo:
<p align="center">
<img src="./img/web_demo.png" width="60%" />
<img src="../demo/serving/module_serving/img/web_demo.png" width="60%" />
</p>
## 3 示例-部署一个在线lac分词服务
## 示例-部署一个在线lac分词服务
### 3.1 部署lac在线服务
### Step1：部署lac在线服务
现在，我们要部署一个lac在线服务，以通过接口获取文本的分词结果。
首先，根据2.1节所述，启动PaddleHub-Serving服务端的两种方式分别为:
首先，根据2.1节所述，启动PaddleHub Serving服务端的两种方式分别为:
```shell
$ hub serving start -m lac
```
......@@ -124,14 +126,14 @@ $ hub serving start -c serving_config.json
<p align="center">
<img src="./img/start_serving_lac.png" width="100%" />
<img src="../demo/serving/module_serving/img/start_serving_lac.png" width="100%" />
</p>
这样我们就在8866端口部署了lac的在线分词服务。
*此处warning为Flask提示，不影响使用*
### 3.2 访问lac预测接口
### Step2：访问lac预测接口
在服务部署好之后，我们可以进行测试，用来测试的文本为`今天是个好日子`和`天气预报说今天要下雨`。
......@@ -153,78 +155,63 @@ if __name__ == "__main__":
print(json.dumps(r.json(), indent=4, ensure_ascii=False))
```
运行后得到结果
<details>
<summary>lac分词结果</summary>
```python
{
"results": [
{
"tag": [
"TIME",
"v",
"q",
"n"
],
"word": [
"今天",
"是",
"个",
"好日子"
]
},
{
"tag": [
"n",
"v",
"TIME",
"v",
"v"
],
"word": [
"天气预报",
"说",
"今天",
"要",
"下雨"
]
}
]
}
```
</detail>
获取其他PaddleHub-Serving的一键服务部署场景示例，可参阅下列demo
```python
{
"results": [
{
"tag": [
"TIME", "v", "q", "n"
],
"word": [
"今天", "是", "个", "好日子"
]
},
{
"tag": [
"n", "v", "TIME", "v", "v"
],
"word": [
"天气预报", "说", "今天", "要", "下雨"
]
}
]
}
```
## 示例-其他模型的一键部署服务
获取其他PaddleHub Serving的一键服务部署场景示例，可参见下列demo
* [图像分类-基于vgg11_imagent](serving/classification_vgg11_imagenet)
* [图像分类-基于vgg11_imagent](../demo/serving/module_serving/classification_vgg11_imagenet)
该示例展示了利用vgg11_imagent完成图像分类服务化部署和在线预测，获取图像分类结果。
&emsp;&emsp;该示例展示了利用vgg11_imagent完成图像分类服务化部署和在线预测，获取图像分类结果。
* [图像生成-基于stgan_celeba](serving/GAN_stgan_celeba)
* [图像生成-基于stgan_celeba](../demo/serving/module_serving/GAN_stgan_celeba)
该示例展示了利用stgan_celeba生成图像服务化部署和在线预测，获取指定风格的生成图像。
&emsp;&emsp;该示例展示了利用stgan_celeba生成图像服务化部署和在线预测，获取指定风格的生成图像。
* [文本审核-基于porn_detection_lstm](serving/text_censorship_porn_detection_lstm)
* [文本审核-基于porn_detection_lstm](../demo/serving/module_serving/text_censorship_porn_detection_lstm)
该示例展示了利用porn_detection_lstm完成中文文本黄色敏感信息鉴定的服务化部署和在线预测，获取文本是否敏感及其置信度。
&emsp;&emsp;该示例展示了利用porn_detection_lstm完成中文文本黄色敏感信息鉴定的服务化部署和在线预测，获取文本是否敏感及其置信度。
* [中文词法分析-基于lac](serving/lexical_analysis_lac)
* [中文词法分析-基于lac](../demo/serving/module_serving/lexical_analysis_lac)
该示例展示了利用lac完成中文文本分词服务化部署和在线预测，获取文本的分词结果，并可通过用户自定义词典干预分词结果。
&emsp;&emsp;该示例展示了利用lac完成中文文本分词服务化部署和在线预测，获取文本的分词结果，并可通过用户自定义词典干预分词结果。
* [目标检测-基于yolov3_darknet53_coco2017](serving/object_detection_yolov3_darknet53_coco2017)
* [目标检测-基于yolov3_darknet53_coco2017](.../demo/serving/serving/object_detection_yolov3_darknet53_coco2017)
该示例展示了利用yolov3_darknet53_coco2017完成目标检测服务化部署和在线预测，获取检测结果和覆盖识别框的图片。
&emsp;&emsp;该示例展示了利用yolov3_darknet53_coco2017完成目标检测服务化部署和在线预测，获取检测结果和覆盖识别框的图片。
* [中文语义分析-基于simnet_bow](serving/semantic_model_simnet_bow)
* [中文语义分析-基于simnet_bow](../demo/serving/module_serving/semantic_model_simnet_bow)
该示例展示了利用simnet_bow完成中文文本相似度检测服务化部署和在线预测，获取文本的相似程度。
&emsp;&emsp;该示例展示了利用simnet_bow完成中文文本相似度检测服务化部署和在线预测，获取文本的相似程度。
* [图像分割-基于deeplabv3p_xception65_humanseg](serving/semantic_segmentation_deeplabv3p_xception65_humanseg)
* [图像分割-基于deeplabv3p_xception65_humanseg](../demo/serving/module_serving/semantic_segmentation_deeplabv3p_xception65_humanseg)
该示例展示了利用deeplabv3p_xception65_humanseg完成图像分割服务化部署和在线预测，获取识别结果和分割后的图像。
&emsp;&emsp;该示例展示了利用deeplabv3p_xception65_humanseg完成图像分割服务化部署和在线预测，获取识别结果和分割后的图像。
* [中文情感分析-基于simnet_bow](serving/semantic_model_simnet_bow)
* [中文情感分析-基于simnet_bow](../demo/serving/module_serving/semantic_model_simnet_bow)
该示例展示了利用senta_lstm完成中文文本情感分析服务化部署和在线预测，获取文本的情感分析结果。
&emsp;&emsp;该示例展示了利用senta_lstm完成中文文本情感分析服务化部署和在线预测，获取文本的情感分析结果。
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或