接下來幾天的文章會像料理節目一樣，用我事先準備好的材料 (模型、App...) 來進行說明，底下就來整理一下會做的事情吧。

材料:

• 資料：Kaggle 300 Bird Species - Classification 中的 10 種鳥兒。
• TensorFlow 模型
• 一些 Python script (其實只有兩個)
• 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

步驟

1. 讓 App 在本機端運行
2. 部署模型到 AI Platform
3. 部署 app 到 App Engine

如果能順利完成未來幾天的工作，最後我們就能得到一個基於 Streamlit 的網頁應用 (搭載資料飛輪)，它可以用來將台灣常見的鳥兒分類 (還有一些很難見到的XD)。

下圖是可行的部署方法：

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

而我們具體的工作流程如下：

首先會使用 TensorFlow 訓練一個模型 (當然也可以用 PyTorch)，接著將其上傳到 Google Storage 並部署到 AI Platform 上。

如此一來，我們就可以拿著照片問它裡面有什麼鳥，而它會丟一個張量回來，搭配上我們建立的 App 就能把這個張量漂漂亮亮的展示出來。

最後再把它部署到 App Engine 上，就可以在任何地方秀給別人看了。

下面就是這個 App 實際運作的情形 (使用部署於 Google Cloud 的模型)：

連最後幫助我們改善模型的資料飛輪都做到了，酷吧！！