PaddleClas/test_tipc/docs/test_serving_infer_python.md

# Linux GPU/CPU PYTHON 服务化部署测试

Linux GPU/CPU  PYTHON 服务化部署测试的主程序为`test_serving_infer_python.sh`，可以测试基于Python的模型服务化部署功能。


## 1. 测试结论汇总

- 推理相关：

| 算法名称   | 模型名称  | device_CPU          | device_GPU |
|  :----:   |  :----: |   :----:            |  :----:  |
|  MobileNetV3   |  MobileNetV3_large_x1_0 |  支持 | 支持 |
|  PP-ShiTu   |  PPShiTu_general_rec、PPShiTu_mainbody_det |  支持 | 支持 |
|  PPHGNet   |  PPHGNet_small |  支持 | 支持 |
|  PPHGNet   |  PPHGNet_tiny |  支持 | 支持 |
|  PPLCNet   |  PPLCNet_x0_25 |  支持 | 支持 |
|  PPLCNet   |  PPLCNet_x0_35 |  支持 | 支持 |
|  PPLCNet   |  PPLCNet_x0_5 |  支持 | 支持 |
|  PPLCNet   |  PPLCNet_x0_75 |  支持 | 支持 |
|  PPLCNet   |  PPLCNet_x1_0 |  支持 | 支持 |
|  PPLCNet   |  PPLCNet_x1_5 |  支持 | 支持 |
|  PPLCNet   |  PPLCNet_x2_0 |  支持 | 支持 |
|  PPLCNet   |  PPLCNet_x2_5 |  支持 | 支持 |
|  PPLCNetV2   |  PPLCNetV2_base |  支持 | 支持 |
|  ResNet   |  ResNet50 |  支持 | 支持 |
|  ResNet   |  ResNet50_vd |  支持 | 支持 |
|  SwinTransformer   |  SwinTransformer_tiny_patch4_window7_224 |  支持 | 支持 |


## 2. 测试流程

### 2.1 准备数据

分类模型默认使用`./deploy/paddleserving/daisy.jpg`作为测试输入图片，无需下载
识别模型默认使用`drink_dataset_v1.0/test_images/001.jpeg`作为测试输入图片，在**2.2 准备环境**中会下载好。

### 2.2 准备环境


- 安装PaddlePaddle：如果您已经安装了2.2或者以上版本的paddlepaddle，那么无需运行下面的命令安装paddlepaddle。
    ```shell
    # 需要安装2.2及以上版本的Paddle
    # 安装GPU版本的Paddle
    python3.7 -m pip install paddlepaddle-gpu==2.2.0
    # 安装CPU版本的Paddle
    python3.7 -m pip install paddlepaddle==2.2.0
    ```

- 安装依赖
    ```shell
    python3.7 -m pip install  -r requirements.txt
    ```
- 安装 PaddleServing 相关组件，包括serving-server、serving_client、serving-app，自动下载并解压推理模型
  ```bash
  bash test_tipc/prepare.sh test_tipc/configs/ResNet50/ResNet50_linux_gpu_normal_normal_serving_python_linux_gpu_cpu.txt serving_infer
  ```

### 2.3 功能测试

测试方法如下所示，希望测试不同的模型文件，只需更换为自己的参数配置文件，即可完成对应模型的测试。

```bash
bash test_tipc/test_serving_infer_python.sh ${your_params_file}
```

以`ResNet50`的`Linux GPU/CPU PYTHON 服务化部署测试`为例，命令如下所示。


```bash
bash test_tipc/test_serving_infer_python.sh test_tipc/configs/ResNet50/ResNet50_linux_gpu_normal_normal_serving_python_linux_gpu_cpu.txt
```

输出结果如下，表示命令运行成功。

```
Run successfully with command - python3.7 pipeline_http_client.py > ../../test_tipc/output/ResNet50/server_infer_gpu_pipeline_http_batchsize_1.log 2>&1!
Run successfully with command - python3.7 pipeline_http_client.py > ../../test_tipc/output/ResNet50/server_infer_cpu_pipeline_http_batchsize_1.log 2>&1 !
```

预测结果会自动保存在 `./test_tipc/output/ResNet50/server_infer_gpu_pipeline_http_batchsize_1.log` ，可以看到 PaddleServing 的运行结果：

```
{'err_no': 0, 'err_msg': '', 'key': ['label', 'prob'], 'value': ["['daisy']", '[0.998314619064331]']}
```


如果运行失败，也会在终端中输出运行失败的日志信息以及对应的运行命令。可以基于该命令，分析运行失败的原因。