环境准备：
Python环境不多说了
安装 flaskpip install flask
安装 waitresspip install waitress
代码：

main.py
from flask import Flask
 from predictNumber import predict
 app=Flask(__name__)
  
 @app.route('/predictNumber/', methods=['POST'])
 def predict_number():
     image = request.form["image"] # 非必须，本案例使用
     result = predict(image)
     return {
         "result": result
     }
  
 if __name__=='__main__':
     app.debug=True
     app.run(host='127.0.0.1',port=5000)


其中，手写数字识别的代码 predictNumber.py 赠送如下：

from __future__ import print_function
 import torch
 import torch.nn as nn
 import torch.nn.functional as F
 import torch.optim as optim
 from torch.optim.lr_scheduler import StepLR
 from PIL import Image
 import numpy as np
 import base64
 from io import BytesIOclass Net(nn.Module):
     def __init__(self):
         super(Net, self).__init__()
         self.conv1 = nn.Conv2d(1, 32, 3, 1)
         self.conv2 = nn.Conv2d(32, 64, 3, 1)
         self.dropout1 = nn.Dropout(0.25)
         self.dropout2 = nn.Dropout(0.5)
         self.fc1 = nn.Linear(9216, 128)
         self.fc2 = nn.Linear(128, 10)    def forward(self, x):
         x = self.conv1(x)
         x = F.relu(x)
         x = self.conv2(x)
         x = F.relu(x)
         x = F.max_pool2d(x, 2)
         x = self.dropout1(x)
         x = torch.flatten(x, 1)
         x = self.fc1(x)
         x = F.relu(x)
         x = self.dropout2(x)
         x = self.fc2(x)
         output = F.log_softmax(x, dim=1)
         return outputdef predict(image):
     # load model
     model = Net()
     model.load_state_dict(torch.load("demo/model/mnist_cnn.pt"))
     model.eval（)
     # load test data
     img = Image.open(image).convert('L') 
     img = img.resize((28, 28)) # 更改图片大小
     npimg1 = np.array(img) # 转为numpy矩阵
     flatten_img = npimg1.reshape(1, 1, 28, 28) # 转为mnist1, 1, 28, 28二维张量
     
     # 以下意思是把白色背景转为黑色背景，因为训练的都是黑色背景
     new_flatten_img = (255-flatten_img)/255.0
     new_flatten_img = new_flatten_img.reshape(1, 1, 28, 28) #      --------  该数据可直接被模型识别    test_kwargs = {'batch_size': 1}
     test_loader = torch.utils.data.DataLoader(new_flatten_img, **test_kwargs)
     for data in test_loader:
         data = data.to(torch.float32)
         output = model(data)
         pred = output.argmax(dim=1, keepdim=True)
         print(pred)   
         print(pred.item())
         return pred.item()


启动该服务有两种方式
方式一：
通过运行Python脚本启动服务，run.py 代码如下：

from waitress import serve
 import main
 serve(main.app, host='127.0.0.1',port=5000)


直接运行 run.py 即可

python run.py
1.
验证我们可通过postman发送请求，得到如下结果：

方式二：
通过 cmd 设置 mian.py 路径，我的 main.py 放在E:\pythonProject\下面，大家自行调整。

set  FLASK_APP=E:\pythonProject\main.py
1.
再通过以下指令启动服务：

flask run
1.
效果如下：

以上便是简单版的完整流程。下面加更一些补充说明~

Flask程序必须创建一个程序实例。参见上面第一个代码 main.py 中 app = Flask(__name__) 即为实例。

Web服务器把接收到的所有客户端请求，转交给Web服务器网关接口对象处理。需要提供的参数只有一个，就是程序主模块或包的名字，一般就是Python的name变量。

客户端的请求经由Web服务器转发给Flask程序实例。程序实例需要URL到具体代码的映射关系。这个映射关系称为路由。
Flask中最简单的路由定义方式是app.route修饰器。

上面的路由定义，把根路径和predictNumber函数关联起来，如果部署程序的服务器域名是 http://127.0.0.1:5000/，那么浏览器中输入 http://127.0.0.1:5000/predictNumber/ 就会触发这个函数。

函数的返回值称为响应，是客户端接收到的内容。这样如果客户端是Web浏览器，响应就是给客户看的文档。

下面博文中有非常详细完整的介绍，以供参考。

一个简单的Flask Web服务器

实现多并发调用服务可参考：

Flask+gunicorn实现web服务并发调用Python程序，解决多线程/多进程问题

多并发调用Pytorch的坑：

Flask+gunicorn部署深度学习报错gunicorn: error: argument -b: invalid int value ‘0.0.0.0:8000‘
-----------------------------------
libreoffice 接口调用 python web调用python接口
https://blog.51cto.com/u_16213631/8139871