我使用Flask开发了一个rest API来公开Python Keras深度学习模型（用于文本分类的CNN）。我有一个非常简单的脚本，它将模型加载到内存中并输出给定文本输入的类概率。 API在本地完美运行。
然而，当我git push heroku master，我得到Compiled slug size: 588.2M is too large (max is 500M)。该模型的大小为83MB，对于深度学习模型来说这是非常小的。值得注意的依赖包括Keras及其tensorflow后端。
我知道你可以在Heroku上使用GB的RAM和磁盘空间。但瓶颈似乎是段塞尺寸。有没有办法规避这个？或者Heroku不是用于部署深度学习模型的正确工具？
根据其他人的建议，我要检查的第一件事是找出为什么你的回购是如此之大，因为模型尺寸只有83MB。
鉴于您无法减小大小，可以选择卸载部分repo，但要做到这一点，您仍然需要知道哪些文件占用了空间。在heroku文档中建议卸载。 Slug大小限制为500MB，如下所述：https://devcenter.heroku.com/articles/slug-compiler#slug-size，我相信这与在需要更改资源时启动新实例所需的时间有关。但是，如果您有特别大的文件，则可以使用卸载。有关卸载的更多信息：https://devcenter.heroku.com/articles/s3
这个答案假设您的模型只有83MB，并且您的存储库目录的总大小（可能小得多）小于500MB。
可能存在一些问题，但您需要做的显而易见的事情是将git存储库减少到500MB以下。
首先，尝试使用以下命令来减小repo的大小（请参阅this blog post以供参考）：
heroku plugins:install heroku-repo
heroku repo:gc --app your-app-name
heroku repo:purge_cache --app your-app-name
这些可能会解决您的问题。
另一个潜在的问题是，您在某个时刻提交了另一个（大型）模型，并在后续提交中将其从您的仓库中删除。 git repo现在在.git文件夹和git历史记录中包含该模型的一个版本。对此有一些修复，但如果您不需要您的提交历史记录，您可以将repo复制到另一个文件夹并使用git init创建一个新的git仓库。用“初始提交”之类的东西提交所有内容，然后尝试只用一次提交到Heroku来推送这个repo。可能会是一个小得多的回购规模。
作为资源，您可以访问Heroku Slug Compiler帮助页面。
拥有83MB的型号并不意味着它一直是83MB。由于软件包在被推送到Heroku时被编译，这显然会占用更多的slug空间，因此应用程序可以使用这些软件包。最好的解决方案可能是将大型资产放入像AWS S3这样的容器或其他任何好的容器中。或者最糟糕的是使用不同的云服务。
我会说Heroku不是部署深度学习模型本身的正确工具。为此，您可以考虑使用专用于深度学习的平台即服务，例如Floydhub。您也可以在Floydhub上部署Flask REST API。