《深度学习技术应用》课件 项目四 基于Flask的模型应用与部署-猫狗识别

项目四基于Flask的模型应用与部署-猫狗识别深度学习应用技术项目引导案例

深度学习正迅速成为人工智能应用的关键工具。深度学习中最突出的问题之一是图像分类,图像分类就是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。

要说到深度学习图像分类的经典案例之一，那就是猫狗大战了。猫和狗在外观上的差别还是挺明显的，无论是体型、四肢、脸庞和毛发等等，都是能通过肉眼很容易区分的。项目引导案例模型训练与评估01运用Flask将模型部署成网页端应用02思考一下

如何让机器来识别猫和狗呢？项目引导案例模型训练与评估任务一职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务一模型训练与评估了解图像分类的基本过程和特征处理了解ResNet残差网络产生的背景、结构及网络了解常用的模型训练评估指标能够搭建Tensorflow模型训练环境能够正确划分训练集与测试集能够使用基于Tensorflow的Keras框架进行模型训练能够使用可视化工具对模型进行评估职业能力目标01知识目标技能目标职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务一模型训练与评估

首先进行环境、数据的准备，猫狗训练集数据和验证集数据的划分，再搭建ResNet模型、模型编译、之后进行模型训练，最后对模型进行评估，展示可视化训练结果。任务描述任务要求模型所需的环境、数据准备；数据集的划分；模型编译、训练；模型评估，展示可视化结果。任务描述与要求02职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务一模型训练与评估任务分析图像分类中提取的特征有哪些方法？如何查看模型的准确率？任务分析与计划03任务计划表通过上面的思考，你是否对本任务要完成的工作有所了解？让我们一起来制订完成本次任务的实施计划吧！任务分析与计划03项目名称基于Flask的模型应用与部署-猫狗识别任务名称模型训练与评估计划方式自主设计计划要求请用8个计划步骤来完整描述出如何完成本次任务序号任务计划1

2

3

4

5

6

7

8职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务一模型训练与评估ResNet残差网络204知识储备图像分类1模型评估3图像分类04

图像分类，核心是从给定的分类集合中给图像分配一个标签的任务。实际上，这意味着我们的任务是分析一个输入图像并返回一个将图像分类的标签，标签总是来自预定义的可能类别集。图像分类的基本过程04

图像分类的基本操作是建立图像内容的描述，然后利用机器学习方法学习图像类别，最后利用学习得到的模型对未知图像进行分类。一般来说，图像分类性能主要与图像特征提取和分类方法密切相关。04图像特征处理

从图像中提取有用的数据或信息，得到图像的“非图像”的表示或描述，如数值、向量和符号等。这一过程就是特征提取，而提取出来的这些“非图像”的表示或描述就是特征。图像分类中提取的特征主要有两类：

底层视觉特征局部不变特征04颜色：常用的颜色空间包括：RGB、HSV空间、反颜色空间等。图像特征处理形状：描述形状的方法通常分为基于区域的形状描述方法和基于轮廓的形状描述方法两种。纹理：纹理特征是不依赖于颜色和亮度的反映图像中同质现象的视觉特征，其本质是刻画像素的邻域灰度空间分布规律。基于区域的形状描述方法：注重集合形状的全局特征，描述形状局部特征的能力有限。基于轮廓的形状描述方法又可以分为基于空间域的方法和基于变换域的方法：

基于空间域：即集合特征描述方法。

基于变换域：主要将目标轮廓的边缘点数据变换到频率域中。

局部不变特征也称为局部特征，首要任务是要提取出更加稳定的图像特征来描述图像。提取分为两个部分：特征点（或区域）探测和特征描述。

特征点探测：采用一定的规则或者策略从图像中选取一些有代表性的特征点或特征区域；

特征描述：根据特征点探测所得特征点或特征区域，提取出满足一定不变性要求的特征向量。04图像特征处理稳定：希望该特征能对旋转、尺度缩放、仿射变换、视角变化、光照变化等图像变化因素保持一定的不变形，对运动、遮挡、噪声等因素也保持较好的可匹配性。ResNet残差网络204知识储备图像分类1模型评估3204残差网络背景321计算资源的消耗模型容易过拟合梯度消失/梯度爆炸在深度学习中，网络层数增多一般会伴着下面几个问题：04残差网络背景

实验中发现，随着网络层数的增加，网络发生了退化的现象：随着网络层数的增多，训练集loss逐渐下降，然后趋于饱和，当再增加网络深度的话，训练集loss反而会增大。

残差网络就应运而生，残差网络是由来自MicrosoftResearch的4位学者提出的卷积神经网络。特点：容易优化，能通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。04ResNet结构

ResNet提出了两种mapping：一种是identitymapping，左图中“弯弯的曲线”，另一种residualmapping，指的就是除了“弯弯的曲线”的另外一部分，所以最后的输出是y=F(x)+x。identitymapping指的恒等映射，也就是公式中的x，而residualmapping指的是“差”，也就是F(x)=y-x部分。04ResNet结构

ResNet使用两种残差单元，如图所示。左图对应的是浅层网络，而右图对应的是深层网络。一般称整个结构为一个”buildingblock“。使用残差结构的两个好处：前向传播时，浅层的特征可以在深层得到重用；反向传播时，深层的梯度可以直接传向浅层。ResNet50网络04

ResNet网络是参考了VGG19网络，在其基础上进行了修改，并通过短路机制加入了残差单元，ResNet50首先对输入做了卷积操作，之后包含4个残差快（ResidualBlock),最后进行全连接操作以便于进行分类任务，网络构成示意图,Resnet50则包含50个conv2d操作。ResNet残差网络204知识储备图像分类1模型评估32

模型的好坏是“相对”的，什么样的模型好的，不仅取决于算法和数据，还决定于任务需求。因此，选取一个合理的模型评价指标是非常有必要的。

评估一般可以分为回归、分类和聚类的评估。

常见的几种评估模型的参数指标，如预测准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值和ROC曲线模型常见评估指标04模型常见评估指标04真阳性（TP，TruePostive）：真实值是Positive，模型认为是Positive的数量；假阳性（FP，FalsePositive）：真实值是Negative，模型认为是Positive的数量。这就是统计学上的第二类错误（TypeIIError）。真阴性（TN，TrueNegative）：真实值是Negative，模型认为是Negative的数量；假阴性（FN，FalseNegative）：真实值是Positive，模型认为是Negative的数量。这就是统计学上的第一类错误（TypeIError）。模型常见评估指标04准确率（Accuracy）的定义是：对于给定的测试集，分类模型正确分类的样本数与总样本数之比，准确率的计算公式为：

Accuracy=(TP+TN)/(TP+TN+FP+FN)精确率（Precision）的定义是：分类模型预测的正样本中有多少是真正的正样本：

Precision=TP/(TP+FP)召回率（Recall）的定义是：对于给定测试集的某一个类别，样本中的正类有多少被分类模型预测正确。Recall=TP/(TP+FN)模型常见评估指标04在现实情况下，精确率和召回率像是坐在跷跷板上一样，往往出现一个值升高，另一个值降低，那么，需要一个指标来综合考虑精确率和召回率，这个指标就是F值模型常见评估指标04

通过真正率和假正率来绘制ROC曲线来评估分类模型。ROC曲线横纵坐标范围在区间「0，1」之间，一般来说，ROC曲线与x轴形成的面积越大，模型的分类性能越好。IOU交并比04

对具体的某个物体来讲，我们可以使用交并比，即模型所预测的检测框和真实（GroundTruth）的检测框的交集和并集之间的比例，来量化贴和程度。AP和mAP04常用的用于评价模型好坏的综合指标：均值平均精度，即mAP(MeanAveragePrecision)。mAP用于反应模型在给定所有的类别上表现的好坏程度，其计算方法相对复杂。可以简单理解为以下公式：mAP=所有类别的平均精度求和后除以所有类别，即数据集中所有类的平均精度的平均值。mAP总是在固定的数据集上计算，它不是量化模型输出的绝对度量，但是是一个比较好的相对度量。职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务一模型训练与评估05任务实施训练集、验证集划分21模型训练3模型评估4训练集、验证集划分环境、数据准备05数据集的文件名是以type.num.jpg这样的方式命名的，比如cat.0.jpg。使用Keras的ImageDataGenerator要求将不同种类的图片分在不同的文件夹中，整理后的数据集结构如下所示。1、数据集介绍环境、数据准备05安装模型所需要的依赖包，并加载导入。2、依赖包安装及加载图像数据处理053、路径设置输出项目所在的路径：运用BASE_PATH的路径，用于设置INPUT_DIR的值。图像数据处理054、标签设置与路径添加本次任务要检测类别只有猫与狗。要把所有的图片的路径放入paths列表中。训练集和测试集划分05任务实施训练集、验证集划分2环境、数据准备1模型训练3模型评估4051、数据集截取云平台功能限制，为了减少训练时间，只需要其中部分图片用来训练模型。本次训练选取1000张图像进行模型训练。训练集和测试集划分052、数据集划分读取图片数据生成数据集，X为训练集，Y为标签数组，猫的标签设置为0，狗的标签设置为1。训练集和测试集划分053、训练集、验证集划分X为训练集，Y为标签数组，训练集和验证集的划分比例为8:2。训练集和测试集划分sklearn.model_selection.train_test_split(*arrays,test_size,shuffle)arrays:数据集的数组test_size:0-1的浮点数，值为测试集的划分比例shuffle：布尔值，是否在划分前打乱数据集05任务实施训练集、验证集划分2环境、数据准备1模型训练3模型评估4051、基础模型设置模型参数的介绍：模型训练Flatten()展平层，将tensor展开，不做计算Dense()全连接层Dropout()丢弃法，用于防止过拟合052、延展模型为了使该模型更加契合我们的项目，需要在原有的基础之上添加额外的层。模型训练053、模型编译tf.keras.Mpile(optimizer,loss,metrics)，参数介绍如下：

模型训练参数介绍如下：optimizer:模型训练使用的优化器，可以从tf.keras.optimizers中选择。loss:模型优化时使用的损失值类型，可以从tf.keras.losses中选择，此次训练只有两个类别需要判别，所以使用二元交叉熵。metrics：训练过程中返回的矩阵评估指标，可以从tf.keras.metrics中选择054、模型开始训练tf.keras.Model.fit(x,y,batch_size,epochs,validation_data)模型训练参数介绍如下：x:训练集数组。y:训练集标签batch_size：批处理数量。epochs:迭代次数。validation_data：验证集的图片和标签数组。055、载入模型进行训练tf.keras.models.load_model(filepath,compile,options)模型训练参数介绍如下：filepath:模型文件路径。compile:布尔值，确认在加载之后是否编译模型，非必填项options：可选择tf.saved_model.LoadOptions里的特殊选项值,非必填项。05任务实施训练集、验证集划分2环境、数据准备1模型训练3模型评估4模型评估051、查看模型的准确率与损失值#查看模型准确率print(history.history['accuracy'])print(history.history['val_accuracy'])print(history2.history['accuracy'])print(history2.history['val_accuracy'])#查看模型损失值print(history.history['loss'])print(history.history['val_loss'])print(history2.history['loss'])print(history2.history['val_loss'])05使用history的参数。模型准确率是逐步上升的；2、准确率可视化模型评估05使用history2的参数。模型准确率是趋于饱和的。2、准确率可视化模型评估05使用history的参数，模型损失是逐步下降的3、损失可视化模型评估05使用history2的参数，模型损失没有太多变化。3、损失可视化模型评估职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务一模型训练与评估任务检查与评价061、请参照评价标准完成自评和对其他小组的互评。2、各组请代表分析本组任务实施经验。项目名称基于Flask的模型应用与部署-猫狗识别任务名称模型训练与评估评价方式可采用自评、互评、老师评价等方式说明主要评价学生在项目学习过程中的操作技能、理论知识、学习态度、课堂表现、学习能力等

评价内容与评价标准序号评价内容评价标准分值得分1理论知识（20%）了解图像分类的基本过程和特征处理、ResNet残差网络产生的背景、结构及网络、以及常用的模型训练评估指标。（20分）20分

2专业技能（40%）环境、数据准备（5%）正确的安装及加载依赖包（1分）5分

正确的路径设置（2分）正确的设置标签与添加路径（2分）3训练集、验证集划分（10%）正确的截取数据集（2分）10分

正确的划分数据集（3分）正确的划分训练集、验证集（5分）4模型训练（15%）正确的设置基础模型与延展模型（5分）15分

正确的编译模型（5分）正确的训练模型（5分）模型评估（10分）正确的查看模型的准确率与损失值（5分）10分正确的可视化准确率与损失（5分）5核心素养（20%）具有良好的自主学习能力、分析解决问题的能力、整个任务过程中有指导他人（20分）20分

具有较好的学习能力和分析解决问题的能力，任务过程中无指导他人（15分）能够主动学习并收集信息，有请教他人进行解决问题的能力（10分）不主动学习（0分）6课堂纪律（20%）设备无损坏、设备摆放整齐、工位区域内保持整洁、无干扰课堂秩序（20分）20分

设备无损坏、无干扰课堂秩序（15分）无干扰课堂秩序（10分）干扰课堂秩序（0分）总得分职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务一模型训练与评估任务小结07职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务一模型训练与评估任务拓展08在模型训练时，选择不同的激活函数，再进行模型训练，查看训练结果及模型评估效果？激活函数有：Sigmoid函数、Tanh函数、Relu函数、ELU函数等，选择不同激活函数进行模型训练，并查看结果。解题

思路提示谢谢大家学习项目四基于Flask的模型应用与部署-猫狗识别深度学习应用技术运用Flask将模型部署成网页端应用任务二职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务二运用Flask将模型部署成网页端应用了解Flask框架概念和特点了解HTML的概念和特点了解CSS语音特点和应用能够使用Flask框架将模型部署为网页应用能够掌握html标签格式的使用能够使用html修改、添加网页端元素能够使用在网页应用上展示预测结果职业能力目标01知识目标技能目标职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务二运用Flask将模型部署成网页端应用

首先进行环境依赖包安装，网站初始代码的解析，添加html文件标签，再修改和添加网页端元素，将任务一训练好的模型部署到网页端，编写好预测函数，在网页端展示预测结果。任务描述任务要求模型所需的依赖包安装；初始代码解析；修改、添加网页端元素；网页端部署模型，并展示预测结果。任务描述与要求02职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务二运用Flask将模型部署成网页端应用任务分析如何构建一个网页并修改网页板式？如何将模型部署至网页端？任务分析与计划03任务计划表通过上面的思考，你是否对本任务要完成的工作有所了解？让我们一起来制订完成本次任务的实施计划吧！任务分析与计划03项目名称基于Flask的模型应用与部署-猫狗识别任务名称运用Flask将模型部署成网页端应用计划方式自主设计计划要求请用8个计划步骤来完整描述出如何完成本次任务序号任务计划1

2

3

4

5

6

7

8职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务二运用Flask将模型部署成网页端应用HTML介绍204知识储备Flask框架1CSS简述3Flask框架简述04Flask框架，是用Python语言编写轻量级的web开发框架。主要包括Werkzeug和Jinja2两个核心函数库，它们分别负责业务处理和安全方面的功能。支持URL路由请求集成，一次可以响应多个用户的访问请求；支持Cookie和会话管理，通过身份缓存数据建立长久连接关系，并提高用户访问速度；支持交互式Javascript调试，提高用户体验；可以处理HTTP基本事务，快速响应客户端推送过来的访问请求。Werkzeug库支持自动HTML转移功能，能够很好控制外部黑客的脚本攻击。系统运行速度快，页面加载过程会将源码进行编译形成python字节码，从而实现模板的高效运行；模板继承机制可以对模板内容进行修改和维护，为不同需求的用户提供相应的模板。Jinja2库选择Flask框架的原因04便于学习掌握提高开发效率统一开发语言Flask中拥有灵活的Jinja2模板引擎，提高了前端代码的复用率。在现有标准中，Flask算是微小型框架。开发者可以根据项目的需求进行相应的扩展，或者自行开发。后续的基于机器学习的车辆检测与属性识别算法研究，主要开发语言也是应用Python，整个系统统一开发语言，便于开发和后期维护。Flask拥有基于Werkzeug、Jinja2等一些开源库，拥有内置服务器和单元测试，适配RESTful，支持安全的cookies，而且官方文档完整，便于学习掌握。ACB选择Flask框架原因HTML介绍204知识储备Flask框架1CSS简述304HTML解释

HTML：全称为超文本标记语言，是一种用于创建网页的标记语言。可以使用HTML来建立自己的WEB站点，HTML运行在浏览器上，由浏览器来解析。它包括一系列标签，通过这些标签可以将网络上的文档格式统一，使分散的Internet资源连接为一个逻辑整体。

HTML文本：由HTML命令组成的描述性文本。

HTML标签：HTML标签是由尖括号包围的关键词，比如<html>，通常是成对出现的，比如<b>和</b>。04HTML特点可扩展性通用性简易性HTML是网络的通用语言，一种简单、通用的全置标记语言。允许网页制作人建立文本与图片相结合的复杂页面，这些页面可以被网上任何其他人浏览到，无论使用的是什么类型的电脑或浏览器。超文本标记语言版本升级采用超集方式，从而更加灵活方便。超文本标记语言的广泛应用带来了加强功能，增加标识符等要求，超文本标记语言采取子类元素的方式，为系统扩展带来保证。ACBHTML特点04HTML页面<!DOCTYPEhtml>声明为HTML5文档<html>元素是HTML页面的根元素<head>元素包含了文档的元（meta）数据，如<metacharset="utf-8">定义网页编码格式为utf-8。<title>元素描述了文档的标题<body>元素包含了可见的页面内容<h1>元素定义一个大标题<p>元素定义一个段落04HTML网页结构只有<body>区域(白色部分)才会在浏览器中显示。HTML介绍204知识储备Flask框架1CSS简述304CSS与HTML就像建造房子,如果把HTML比喻为骨架,那么CSS就是油漆和装饰。HTMLCSS04什么是CSSCSS层叠样式表是一种用来表现HTML或XML等文件样式的计算机语言。CSS不仅可以静态地修饰网页，还可以配合各种脚本语言动态地对网页各元素进行格式化。CSS能够对网页中元素位置的排版进行像素级精确控制，支持几乎所有的字体字号样式，拥有对网页对象和模型样式编辑的能力。04CSS实例无样式样式一一个HTML文档可以显示不同的样式04CSS实例样式二样式二CSS文档HTML标签原本被设计为用于定义文档内容，样式表定义如何显示HTML元素，就像HTML中的字体标签和颜色属性所起的作用那样。样式通常保存在外部的.css文件中。我们只需要编辑一个简单的CSS文档就可以改变所有页面的布局和外观。04CSS语言特点页面压缩层叠丰富的样式定义易于使用和修改多页面应用提供了丰富的文档样式外观，设置文本和背景属性的能力；允许为任何元素创建边框，以及元素边框与元素内容间、其他元素间的距离；允许改变大小写方式、修饰方式以及其他页面效果。可将样式定义在HTML元素的style属性中，也可将其定义在HTML的header，还可将样式声明在一个专门的CSS文件中，以供HTML页面引用。CSS样式表可以单独存放在一个CSS文件中，这样就可以在多个页面中使用同一个CSS样式表。简单的说，层叠就是对一个元素多次设置同一个样式，这将使用最后一次设置的属性值。样式的声明单独放到CSS样式表中，可以大大的减小页面的体积，这样在加载页面时使用的时间也会大大的减少。另外，CSS样式表的复用更大程度的缩减了页面的体积，减少下载的时间。04CSS语言基础属性值选择器属性CSS的选择器有类型选择器和简单属性选择器，比如CLASS属性、ID属性、STYLE属性等。可以将类型选择器、ID选择器和类选择器组合成不同的选择器类型来构成更复杂的选择器。通过组合选择器，可以更加精确地处理希望赋予某种表示的元素。属性的名字是一个合法的标识符，它们是CSS语法中的关键字。一种属性规定了格式修饰的一个方面。要掌握一个属性的用法，需要了解该属性的合法属性值、默认值、所适用的元素、该属性值是否被下一级继承、属性性能百分值及所属媒介类型组等。属性值包括整数和实数、长度量、百分数量等。ACBCSS语言基础职业能力目标01任务描述与要求02任务分析与计划03知识储备04任务实施05任务检查与评价06任务小结07任务拓展08任务二运用Flask将模型部署成网页端应用添加html文件标签205初始代码解析1网页端元素修改、添加3网页端部署5任务实施判断语句和额外界面405安装模型所需要的依赖包，并加载导入。1、依赖包安装及加载初始代码解析flask-ngrok包用于云平台的内网穿透，本地部署时候可以直接使用flask部署05使用终端命令进入对应的文件夹。2、主体代码解析初始代码解析05将代码完整复制到文件夹下的app.py文件当中。3、新建终端初始代码解析05运行app.py文件，并等待页面跳转。4、运行app.py初始代码解析如果出现端口被占用错误，可以用ps查看进程，并用kill关掉多余的sudopythonapp.py进程。#查看进程，并杀死ps-efsudokill-9{PID}05在浏览器中查看效果。5、网页运行初始代码解析若浏览器中输出“HelloWorld”，标志运行正确。添加html文件标签205

初始代码解析1网页端元素修改、添加3网页端部署5任务实施判断语句和额外界面405以editor模式打开index.html，将代码复制到index.html文件当中，并修改对应代码。1、编辑index.html文件添加html文件标签05校验html内容后重新使用终端指令运行app。2、运行app.py添加html文件标签若网站的内容根据index.html改变，则标志操作正确。添加html文件标签205

初始代码解析1网页端元素修改、添加3网页端部署5任务实施判断语句和额外界面405在index.html文件中，导入css格式文件并添加标题。1、添加css样式文件地址、标题网页端元素修改、添加在<head><head/>标签中添加css文件地址。使用<h1></h1>标签和css资源当中的jumbotron来创建标题。校验html内容后重新使用终端指令运行app。05在以上修改的index.html文件内，继续添加上传指示和按钮。2、添加上传指示和按钮网页端元素修改、添加使用<label><label/>标签,添加上传指示。使用<button></button>标签,添加上传按钮。校验html内容后重新使用终端指令运行app。05在以上修改的index.html文件内，继续添加图片和换行指令。3、添加图片和换行命令网页端元素修改、添加使用<img>标签,添加图片使用<br>标签,添加换行指示，来修改格式校验html内容后重新使用终端指令运行app。添加html文件标签205

初始代码解析1网页端元素修改、添加3网页端部署5任务实施判断语句和额外界面405添加主页面、次页面，并使用判断语句，从my_image中获取文件，将传输文件储存在本地路径，并返回图片路径，用于网页展示图片。1、在app.py中添加额外代码添加判断语句和额外界面05在该文件中，使用容器组合元素、可转入submit、可使用方法post等。如果执行了函数后传入img_path,就会展示图片。2、在app.py中添加额外代码添加判断语句和额外界面添加html文件标签205

初始代码解析1网页端元素修改、添加3网页端部署5任务实施判断语句和额外界面405添加预测指示和预测结果，如果有返回预测值，就展示图片和预测结果。1、修改index.html文件网页端部署模型05添加额外的依赖包，载入训练好的模型，创建字典，并返回元素。2、app.py中添加额外代码网页端部署模型05输入项目中h5模型的图片单个大小为(224,244)。变量dic的类型为字典，可以使用键来提取里面的信