import os
import sys
# Flask
from flask import Flask, redirect, url_for, request, render_template, Response, jsonify, redirect
from werkzeug.utils import secure_filename
from gevent.pywsgi import WSGIServer
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.applications.imagenet_utils import preprocess_input, decode_predictions
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing import image
# Some utilites
import numpy as np
from util import base64_to_pil
# Declare a flask app
app = Flask(__name__)
# You can use pretrained model from Keras
# Check https://keras.io/applications/
# or https://www.tensorflow.org/api_docs/python/tf/keras/applications
from tensorflow.keras.applications.mobilenet_v2 import MobileNetV2
model = MobileNetV2(weights='imagenet')
print('Model loaded. Check http://127.0.0.1:5000/')
# Model saved with Keras model.save()
MODEL_PATH = 'models/your_model.h5'
# Load your own trained model
# model = load_model(MODEL_PATH)
# model._make_predict_function()          # Necessary
# print('Model loaded. Start serving...')
def model_predict(img, model):   
    img = img.resize((224, 224))  
    # Preprocessing the image 
    x = image.img_to_array(img) 
    # x = np.true_divide(x, 255)  
    x = np.expand_dims(x, axis=0)  
    # Be careful how your trained model deals with the input  
    # otherwise, it won't make correct prediction!  
    x = preprocess_input(x, mode='tf')  
    preds = model.predict(x)   
    return preds
    
    
@app.route('/', methods=['GET'])
def index():  
    # Main page   
    return render_template('index.html')
@app.route('/predict', methods=['GET', 'POST'])
def predict():  
    if request.method == 'POST':     
        # Get the image from post request   
        img = base64_to_pil(request.json)    
        # Save the image to ./uploads    
        # img.save("./uploads/image.png")  
        # Make prediction     
        preds = model_predict(img, model)    
        # Process your result for human  
        pred_proba = "{:.3f}".format(np.amax(preds))    # Max probability     
        pred_class = decode_predictions(preds, top=1)   # ImageNet Decode     
        result = str(pred_class[0][0][1])               # Convert to string      
        result = result.replace('_', ' ').capitalize()              
        # Serialize the result, you can add additional fields      
        return jsonify(result=result, probability=pred_proba)    
    return None
    
if __name__ == '__main__':   
    # app.run(port=5002, threaded=False) 
  # Serve the app with gevent  
    http_server = WSGIServer(('0.0.0.0', 5000), app)   
    http_server.serve_forever()

# 指定Python環境
FROM python:3.6-slim-stretch
# 拷貝Python依賴庫requirements文件到當前目錄下
ADD requirements.txt /
# 安裝依賴庫
RUN pip install -r /requirements.txt
# 拷貝所有文件到app目錄下
ADD . /app
# 指定app為工作目錄
WORKDIR /app
# 聲明端口
EXPOSE 5000
# docker容器啟動
CMD [ "python" , "app.py"]

Flask==1.1.1
gevent==1.4.0
h5py==2.10.0
numpy==1.17.0
Pillow==6.1.0
tensorflow==2.3.1
Werkzeug==0.16.0

docker build -t keras_flask_app .

docker run -it --rm -p 5000:5000 keras_flask_app