在Heroku云上部署深度學習Web應用程序的要點和技巧
譯文【51CTO.com快譯】Heroku 云在Web開發人員和機器學習愛好者中頗負盛名。該平臺提供了部署和維護Web應用程序的簡易方法，但如果您不熟悉部署深度學習應用程序，可能會遇到棘手的存儲和依賴問題。本文將使您的部署過程更順暢，以便您能專注于創建出色的Web應用程序。我們將學習DVC集成、基于Git和CLI的部署、錯誤代碼H10、使用Python軟件包以及優化存儲。
一、基于Git和CLI的部署
Streamlit應用程序可以使用Git、GitHub集成或使用Docker加以部署。基于Git的方法是在Heroku服務器上部署任何數據應用程序的更快速更簡單的方法。
基于Git的簡單方法
Streamlit應用程序可使用以下命令來部署：
- git remote add heroku https://heroku:$HEROKU_API_KEY@git.heroku.com/.git
- git push -f heroku HEAD:master
為此，您需要：
- Heroku API 密鑰
- Heroku 應用程序：通過CLI或訪問網站。
- 基于Git的項目
- 配置文件
基于CLI的方法
基于CLI的部署很基本，且易于學習。
1. 在此處創建一個免費的Heroku帳戶。
2. 使用該鏈接，安裝Heroku CLI。
3. 克隆遠程存儲庫或使用git init。
4. 輸入heroku login和heroku create dagshub-pc-app。這將使您登錄到服務器，并在Web服務器上創建一個應用程序。
5. 現在創建含有運行應用程序的命令的Procfile： web: streamlit run --server.port $PORT streamlit_app.py
6. 最后，提交并推送代碼到heroku服務器git push heroku master。
二、PORT
如果您使用streamlit run app.py運行應用程序，它將生成錯誤代碼 H10，這意味著Streamlit應用程序未使用服務器分配的$PORT。
您需要：
- 使用Heroku CLI設置PORT。
- heroku config：set PORT=8080
- 在Procfile中進行更改，并在參數中添加服務器端口。
- web：streamlit run --server.port $PORT app.py
三、調整Python軟件包
這部分花了我2天的時間來調試，因為Heroku云有500MB的限制，而新的TensorFlow軟件包是489.6MB。為了避免依賴項和存儲問題，我們需要在requirements.txt文件中進行更改：
1. 添加tensorflow-cpu而不是tensorflow，這將我們的slug大小從765MB縮減到400MB。
2. 添加opencv-python-headless而不是opencv-python，以避免安裝外部依賴項。這將解決所有cv2錯誤。
3. 刪除所有不必要的軟件包，numpy、Pillow 和streamlit除外。
四、DVC集成
從DVC服務器成功提取數據需要幾個步驟：
1. 首先，我們允許通過使用Heroku API來安裝 apt-files的buildpack：
- heroku buildpacks:add --index 1 heroku-community/apt
2. 創建文件名Aptfile，并添加最新的DVC版本https://github.com/iterative/dvc/releases/download/2.8.3/dvc_2.8.3_amd64.deb
3. 在您的app.py文件中添加額外的代碼行：
- import os
- if "DYNO" in os.environ and os.path.isdir(".dvc"):
- os.system("dvc config core.no_scm true")
- if os.system(f"dvc pull") != 0:
- exit("dvc pull failed")
- os.system("rm -r .dvc .apt/usr/lib/dvc")
之后提交您的代碼，并將其推送到Heroku服務器。部署成功后，應用程序會自動從DVC服務器拉取數據。
五、優化存儲
優化存儲的方式有多種，最常見的就是使用Docker。通過使用Docker方法，您可以繞過500MB的限制，還可以自由安裝任何第三方集成或軟件包。想進一步了解如何使用Docker，請查看本指南。
為了優化存儲：
- 在requiremnets.txt中僅添加模型推理python庫。
- 我們可以通過使用以下命令從DVC提取選擇性數據：
- dvc pull {model} {sample_data1} {sample_data2}..
- 我們只需要一個模型推理文件，因此將其余文件添加到.slugignore，其工作方式與.gitignore類似。想了解更多信息，請查看Slug編譯器(https://devcenter.heroku.com/articles/slug-compiler#ignoring-files-with-slugignore)。
- 從服務器成功拉取數據后，刪除.dvc目錄和.apt/usr/lib/dvc目錄。
六、結果
最初的slug大小為850MB，但通過存儲和軟件包優化，最終的slug大小縮減到400MB。我們用一個簡單的命令解決了錯誤代碼H10，并添加opencv-python-headless軟件包來解決依賴問題。本文旨在克服初學者在Heroku服務器上面臨的一些常見問題。
基于Docker的部署可以解決很多存儲問題，但也帶來了復雜性和緩慢的部署過程。可以使用heroku container:push web，但在此之前，需要先構建Docker并測試它，在本地解決所有問題后才能推送它。這種方法是高級Heroku用戶所青睞的。
下一個挑戰是使用Webhook部署您的Web應用程序。這將使我們可以從任何平臺自動化整個機器學習生態系統。自動化過程將需要創建一臺簡單的Flask Web服務器，該服務器將運行shell命令。
原文標題：Tips & Tricks of Deploying Deep Learning Webapp on Heroku Cloud，作者：Abid Ali Awan
【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】
