gunicorn

一、效果演示 首页展示 播放页面 该项目部署只为学习,所以用的服务器是 腾讯云服务器10元/月 ,域名也是在腾讯云买的.com 55元/年 因为本人比较穷 哈哈😁 这个服务器纯粹是为新手准备的, 1M带宽 速度堪称蜗牛,不过价格是真心便宜,适合练手。。。 废话不多说下面我们开始项目部署 二、准备云服务器 服务器镜像我们选择CentOS 7.2 64位 服务器买完后点击控制台进入如下页面 找到我们购买的服务器查看公网ip地址,我的这里为49.232.24.154 端口默认为22 那么22端口又是干什么的呢？ 说白了就是我们用于连接liunx服务器的,我用的连接工具是 xshell 点击下载 😎 打开后界面如下: 在这里我们输入连接服务器的命令 # root为默认的主机名 ssh root@49.232.24.154 接下来会让我们输入服务器的密码 如果忘记密码需要重置密码 三、环境准备 成功连接服务器后接下来就要准备运行Flask项目所需要的必备环境了; 点击查看python3.6编译安装 mongodb安装 yum install mongodb- server yum install mongodb 启动服务端 systemctl start mongod 查看端口 netstat - tunlp 默认端口为27017 查看进程 ps -ef|grep mongo

目录 - 1. 前言 - 2. webvirtmgr 简介 - 3. webvirtmgr 部署实践 - 3.1 配置 webvirtmgr 主机 - 3.2 kvm node节点配置 - 3.3 控制台和kvm节点交互配置 1. 前言 上一篇： [kvm] Ovirt基础及安装使用 介绍了 ovirt 的安装和基础使用，本篇则介绍更加轻量级的 webvirtmgr，相比较 ovirt，webvirtmgr则显得更加轻量化和简单易用。 ovirt 比较适合较大的集群规模，比如虚拟机上千的集群，而对于虚拟机10-200 之间来说，采用 webvirtmgr 将更加便捷。 2. webvirtmgr 简介 webvirtmgr 特点 操作简单，易于使用 通过libvirt的API接口对kvm进行管理 提供对虚拟机生命周期管理 WebVirtMgr 功能 宿主机管理支持以下功能： CPU利用率 内存利用率 网络资源池管理 存储资源池管理 虚拟机镜像 虚拟机克隆 快照管理 日志管理 虚机迁移 虚拟机管理支持以下功能： CPU利用率 内存利用率 光盘管理 关/开/暂停虚拟机 安装虚拟机 VNC console连接 创建快照 3. webvirtmgr 部署实践 我们线上有也有在用 webvirtmgr，这里在测试环境搭建做下记录，环境如下： 首先，selinux 和 防火墙都是关闭状态。

小APP代码 小坑 flask jinja模板显示图片 flask ajax操作 部署 TOC 小APP代码 import os from flask import Flask, flash, request, redirect, url_for, render_template, send_from_directory, jsonify, json from werkzeug.utils import secure_filename import time from os.path import join, getsize from utils import allowed_file, get_hash, unzip_file import shutil import process ALLOWED_EXTENSIONS = {'zip'} app = Flask(__name__) app.config['UPLOAD_FOLDER'] = './resources/source/' app.config['ANALYZE_FOLDER'] = './resources/analyze/' @app.route('/', methods=['GET', 'POST']) def upload_file(): if request.method == 'POST': #

最近完成了一个以图搜图的项目，项目总共用时三个多月。记录一下项目中用到机器学习的地方，以及各种踩过的坑。总的来说，项目分为一下几个部分： 一、训练目标函数 1、 设定基础模型 2、 添加新层 3、 冻结 base 层 4、 编译模型 5、 训练 6、 保存模型 二、特征提取 三、创建索引 四、构建服务 1、flask 开发 2、Gunicorn 异步，增加服务稳健性 3、Supervisor 部署监控服务 五、总结 一、训练目标函数 项目是在预训练模型 vgg16 的基础上进行微调（ fine_tune) ，并将特征的维度从原先的 2048 维降为 1024 维度。 模型的微调又分为以下几个步骤： 1、设定基础模型 本次采用预训练的 VGG16基础模型，利用其 bottleneck 特征 # 设定基础模型 base_model = VGG16 ( weights = './model/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5' , include_top = False ) #指定权重路径 # include_top= False 不加载三层全连接层 2、添加新层 将自己要目标图片，简单分类，统计类别（在训练模型时需要指定类别） # 添加新层 def add_new_last_layer(base_model, nb

【推荐阅读】微服务还能火多久？>>> 0 前言 前几天给大家分别分享了 （入门篇）简析Python web框架FastAPI——一个比Flask和Tornada更高性能的API 框架 和 （进阶篇）Python web框架FastAPI——一个比Flask和Tornada更高性能的API 框架 。今天欢迎大家来到 FastAPI 系列分享的完结篇，本文主要是对于前面文章的补充和扩展。 当然这些功能在实际开发中也扮演者极其重要的角色。 1 中间件的使用 Flask 有 钩子函数，可以对某些方法进行装饰，在某些全局或者非全局的情况下，增添特定的功能。 同样在 FastAPI 中也存在着像钩子函数的东西，也就是中间件 Middleware了。 计算回调时间 # -*- coding: UTF-8 -*- import time from fastapi import FastAPI from starlette.requests import Request app = FastAPI() @app.middleware("http") async def add_process_time_header(request: Request, call_next): start_time = time.time() response = await call_next(request)

为什么 相比起 C ，Python 有自己的内存管理，不需开发者自己管理内存。虽然方便，但有时候，我们可能会遇到内存占用过高，内存泄漏，甚至 OOM 的情况。这时，就需要我们做内存诊断，了解自己的代码：内存主要被分配在哪里，是否有无法释放的内存，又有多少内存会很快被释放，进程在高峰时占用多少内存，在低谷时占用多少内存。 怎么办 要了解进程的内存使用情况，我们可能首先会想到使用 TOP 命令，查看进程内存的使用情况。TOP 命令能够实时查看到进程对各种资源的使用情况，也是我们经常会使用的Linux命令。而在 Python 中，通过 psutil 模块也能很好的获取到这些信息。 这两个工具十分的强大，但是也很基础。TOP命令不方便从更多的维度诊断问题，比如难以从时间维度诊断内存，只能统计当前整个进程的内存使用情况，与代码脱离。而 psutil 十分强大，可以和代码结合，但是对逻辑代码侵入性太强，比如想在某个函数前后统计内存的使用情况，就需要在原有代码的基础上插桩，产生不必要的耦合，而不侵入逻辑代码则又和使用命令行没有太大区别。 这个时候，有经验的朋友可能会想到 line_profiler。line_profiler 是用于对函数进行逐行分析的模块，只需要通过装饰器，就可以计算出函数内每一行代码的执行时间，以提供时间维度的性能诊断。那么在内存维度上，是不是也有类似的模块呢？bingo