接下来几天的文章会像料理节目一样，用我事先准备好的材料 (模型、App...) 来进行说明，底下就来整理一下会做的事情吧。

材料:

• 资料：Kaggle 300 Bird Species - Classification 中的 10 种鸟儿。
• TensorFlow 模型
• 一些 Python script (其实只有两个)
• Makefile/Dockerfile

工具

• Streamlit
• gcloud SDK (CLI 工具)
• Google Cloud Project
• Google Storage
• Google AI Platform
• Docker
• Google Container Registry
• Google App Engine

步骤

1. 让 App 在本机端运行
2. 部署模型到 AI Platform
3. 部署 app 到 App Engine

如果能顺利完成未来几天的工作，最後我们就能得到一个基於 Streamlit 的网页应用 (搭载资料飞轮)，它可以用来将台湾常见的鸟儿分类 (还有一些很难见到的XD)。

下图是可行的部署方法：

*图片修改自 CS 329S: Machine Learning Systems Design, Lecture 8: Deployment

而我们具体的工作流程如下：

首先会使用 TensorFlow 训练一个模型 (当然也可以用 PyTorch)，接着将其上传到 Google Storage 并部署到 AI Platform 上。

如此一来，我们就可以拿着照片问它里面有什麽鸟，而它会丢一个张量回来，搭配上我们建立的 App 就能把这个张量漂漂亮亮的展示出来。

最後再把它部署到 App Engine 上，就可以在任何地方秀给别人看了。

下面就是这个 App 实际运作的情形 (使用部署於 Google Cloud 的模型)：

连最後帮助我们改善模型的资料飞轮都做到了，酷吧！！