1.背景
前段时间，使用 python + unicorn + xgboost + pytorch 写了一个机器学习训练平台的后端服务，
根据公司开发需要，需具备两种需求：1. 可以本地加载使用；2.支持web服务，
2. 使用本地加载使用
2.1 问题
针对第一种方式，为避免客户安装使用python 环境，因此将项目打包成.exe ，使用pyinstaller 进行打包，但
1.遇到体积大的问题，于是根据网上建议，使用为目创建虚拟环境，同时根据requiremnts ，将本项目所用的包全部放在虚拟环境下，最终2G 项目被打包成800兆，项目可在window上启动；
2.项目启动后，测试发现，使用.exe （onedir）项目启动效率比使用vscode 启动项目，要低非常多，大概降低5-6倍；
后来使用各种方法：
1. 网上说，除了pyinstaller 外，可使用Nuitka 编译打包，但经过测试，发现没有作用；
2.尝试使用嵌入式 Python + 脚本启动（性能 100%），经测试发现，效果还是不行；
3.使用Conda 安装带 MKL 的完整环境 ，测试发现：效果还是差；
那么到底是什么影响打包成.exe 的性能变差呢？
1.XGBoost 的 n_jobs=-1 会 spawn N 个子进程（Windows 必然 spawn）;
2.每个子进程启动时：
初始化新的 Python 解释器
走 PyInstaller runtime hook 重定向模块搜索路径
重新加载
numpy,scipy,xgboost等.pyd（C++ 库初始化)
3.所有这些步骤在源码 + fork (linux）下几乎是 0 成本，但在 spawn（window) 下是全量重复执行;
4.模型越大、并行核心数越多，额外开销就越大
2.2 解决办法
针对于window 的.exe ,
os.environ['OMP_NUM_THREADS'] = '1'
os.environ['OPENBLAS_NUM_THREADS'] = '1'
os.environ['MKL_NUM_THREADS'] = '1'
os.environ['VECLIB_MAXIMUM_THREADS'] = '1'
os.environ['NUMEXPR_NUM_THREADS'] = '1'
torch.set_num_threads(1)
xgboost(n_jobs=1)
3. 支持web 服务
3.1 问题
对于fastapi + unicorn + xgboost + pytorch ,其实更适合用于web 项目，因此，我将项目拷贝到服务器
在服务器上使用nginx 反向代理
但这里遇到2个问题：
问题1：针对本地加载，我接口端口用的是8000，因此接口都是
http:://127.0.0.1:8000/ 接口名
而我使用web 端口之后，nginx 默认使用80端口，因此，对内网代理转发后，会变成
http::// 公网id :80（可省略）/接口名，导致，和前端对接的时候，前端需要根据是本地pc 部署还是web 部署 使用不同的接口
问题2：
在训练过程中的数据发送，选择sse 方式，因此需要在nginx 配置sse
3.2 解决方案
对于web 端，内网端口改成8080 （或者其他非8000端口），然后nginx 监听端口从80 改成8000，
C:\nginx\nginx-1.28.0>start nginx.exe
C:\nginx\nginx-1.28.0>nginx -s reload
C:\nginx\nginx-1.28.0>nginx -s quit
)
