Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Visualisasikan hasil AI/ML model menggunakan Flask dan AWS Elastic Beanstalk
*Chris Caudill dan Durga Sury, Amazon Web Services*
## Ringkasan
Memvisualisasikan output dari layanan kecerdasan buatan dan pembelajaran mesin (AI/ML) seringkali membutuhkan panggilan API kompleks yang harus disesuaikan oleh pengembang dan teknisi Anda. Ini bisa menjadi kelemahan jika analis Anda ingin menjelajahi kumpulan data baru dengan cepat.
Anda dapat meningkatkan aksesibilitas layanan Anda dan memberikan bentuk analisis data yang lebih interaktif dengan menggunakan antarmuka pengguna berbasis web (UI) yang memungkinkan pengguna untuk mengunggah data mereka sendiri dan memvisualisasikan hasil model di dasbor.
Pola ini menggunakan [Flask](https://flask.palletsprojects.com/en/stable/) dan [Plotly](https://plotly.com/) untuk mengintegrasikan Amazon Comprehend dengan aplikasi web khusus dan memvisualisasikan sentimen dan entitas dari data yang disediakan pengguna. Pola ini juga menyediakan langkah-langkah untuk menyebarkan aplikasi dengan menggunakan AWS Elastic Beanstalk. Anda dapat menyesuaikan aplikasi dengan menggunakan [layanan AWS AI](https://aws.amazon.com/machine-learning/ai-services/) atau dengan model terlatih khusus yang dihosting di titik akhir (misalnya, [ SageMaker titik akhir Amazon](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)).
## Prasyarat dan batasan
**Prasyarat**
+ Aktif Akun AWS.
+ AWS Command Line Interface (AWS CLI), diinstal dan dikonfigurasi pada mesin lokal Anda. Untuk informasi selengkapnya tentang ini, lihat [Dasar-dasar konfigurasi](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-quickstart.html) dalam AWS CLI dokumentasi. Anda juga dapat menggunakan lingkungan pengembangan AWS Cloud9 terintegrasi (IDE); untuk informasi lebih lanjut tentang ini, lihat [tutorial Python untuk AWS Cloud9](https://docs.aws.amazon.com/cloud9/latest/user-guide/sample-python.html) dan [Pratinjau aplikasi yang sedang berjalan di AWS Cloud9 IDE dalam dokumentasi](https://docs.aws.amazon.com/cloud9/latest/user-guide/app-preview.html). AWS Cloud9
**Pemberitahuan**: AWS Cloud9 tidak lagi tersedia untuk pelanggan baru. Pelanggan yang sudah ada AWS Cloud9 dapat terus menggunakan layanan seperti biasa. [Pelajari selengkapnya](https://aws.amazon.com/blogs/devops/how-to-migrate-from-aws-cloud9-to-aws-ide-toolkits-or-aws-cloudshell/)
+ Pemahaman tentang kerangka aplikasi web Flask. Untuk informasi selengkapnya tentang Flask, lihat [Quickstart dalam dokumentasi](https://flask.palletsprojects.com/en/stable/quickstart/) Flask.
+ Python versi 3.6 atau yang lebih baru, diinstal dan dikonfigurasi. Anda dapat menginstal Python dengan mengikuti petunjuk dari [Menyiapkan lingkungan pengembangan Python](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/python-development-environment.html) Anda dalam dokumentasi. AWS Elastic Beanstalk
+ Elastic Beanstalk Command Line Interface (EB CLI), diinstal dan dikonfigurasi. Untuk informasi lebih lanjut tentang ini, lihat [Menginstal CLI EB dan Mengonfigurasi CLI](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/eb-cli3-install.html) [EB dari dokumentasi Elastic Beanstalk](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/eb-cli3-configuration.html).
**Batasan**
+ Aplikasi Flask pola ini dirancang untuk bekerja dengan file.csv yang menggunakan kolom teks tunggal dan dibatasi hingga 200 baris. Kode aplikasi dapat disesuaikan untuk menangani jenis file dan volume data lainnya.
+ Aplikasi tidak mempertimbangkan retensi data dan terus mengumpulkan file pengguna yang diunggah hingga dihapus secara manual. Anda dapat mengintegrasikan aplikasi dengan Amazon Simple Storage Service (Amazon S3) Simple Storage S3) untuk penyimpanan objek persisten atau menggunakan database seperti Amazon DynamoDB untuk penyimpanan nilai kunci tanpa server.
+ Aplikasi hanya mempertimbangkan dokumen dalam bahasa Inggris. Namun, Anda dapat menggunakan Amazon Comprehend untuk mendeteksi bahasa utama dokumen. Untuk informasi selengkapnya tentang bahasa yang didukung untuk setiap tindakan, lihat [referensi API](https://docs.aws.amazon.com/comprehend/latest/dg/API_Reference.html) di dokumentasi Amazon Comprehend.
## Arsitektur
**Arsitektur aplikasi labu**
Flask adalah kerangka kerja ringan untuk mengembangkan aplikasi web dengan Python. Ini dirancang untuk menggabungkan pemrosesan data Python yang kuat dengan UI web yang kaya. Aplikasi Flask pola menunjukkan cara membuat aplikasi web yang memungkinkan pengguna mengunggah data, mengirim data ke Amazon Comprehend untuk inferensi, dan kemudian memvisualisasikan hasilnya. Aplikasi ini memiliki struktur sebagai berikut:
+ `static`— Berisi semua file statis yang mendukung UI web (misalnya JavaScript, CSS, dan gambar)
+ `templates`- Berisi semua halaman HTML aplikasi
+ `userData`— Menyimpan data pengguna yang diunggah
+ `application.py`— File aplikasi Flask
+ `comprehend_helper.py`— Fungsi untuk melakukan panggilan API ke Amazon Comprehend
+ `config.py`— File konfigurasi aplikasi
+ `requirements.txt`- Dependensi Python yang dibutuhkan oleh aplikasi
`application.py`Script berisi fungsionalitas inti aplikasi web, yang terdiri dari empat rute Flask. Diagram berikut menunjukkan rute Flask ini.
+ `/`adalah root aplikasi dan mengarahkan pengguna ke `upload.html` halaman (disimpan dalam `templates` direktori).
+ `/saveFile`adalah rute yang dipanggil setelah pengguna mengunggah file. Rute ini menerima `POST` permintaan melalui formulir HTML, yang berisi file yang diunggah oleh pengguna. File disimpan di `userData` direktori dan rute mengarahkan pengguna ke rute. `/dashboard`
+ `/dashboard`mengirim pengguna ke `dashboard.html` halaman. Dalam HTML halaman ini, ia menjalankan JavaScript kode `static/js/core.js` yang membaca data dari `/data` rute dan kemudian membangun visualisasi untuk halaman tersebut.
+ `/data`adalah JSON API yang menyajikan data untuk divisualisasikan di dasbor. Rute ini membaca data yang disediakan pengguna dan menggunakan fungsi `comprehend_helper.py` untuk mengirim data pengguna ke Amazon Comprehend untuk analisis sentimen dan pengenalan entitas bernama (NER). Respons Amazon Comprehend diformat dan dikembalikan sebagai objek JSON.
**Arsitektur penyebaran**
[Pertimbangan desain](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/concepts.concepts.design.html)
Untuk informasi lebih lanjut tentang pertimbangan desain untuk aplikasi yang digunakan menggunakan Elastic Beanstalk pada, lihat di dokumentasi. AWS Cloud AWS Elastic Beanstalk
**Tumpukan teknologi**
+ Amazon Comprehend
+ Elastic Beanstalk
+ Flask
**Otomatisasi dan skala**
Penerapan Elastic Beanstalk secara otomatis diatur dengan penyeimbang beban dan grup penskalaan otomatis. Untuk opsi konfigurasi lainnya, lihat [Mengonfigurasi lingkungan Elastic Beanstalk dalam dokumentasi Elastic](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/customize-containers.html) Beanstalk.
## Alat
+ [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-welcome.html) adalah alat terpadu yang menyediakan antarmuka yang konsisten untuk berinteraksi dengan semua bagian AWS.
+ [Amazon Comprehend](https://docs.aws.amazon.com/comprehend/latest/dg/comprehend-general.html) menggunakan natural language processing (NLP) untuk mengekstrak wawasan tentang isi dokumen tanpa memerlukan preprocessing khusus.
+ [AWS Elastic Beanstalk](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/Welcome.html)membantu Anda dengan cepat menyebarkan dan mengelola aplikasi di dalam AWS Cloud tanpa harus belajar tentang infrastruktur yang menjalankan aplikasi tersebut.
+ [Elastic Beanstalk CLI (EB CLI](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/eb-cli3.html)) adalah AWS Elastic Beanstalk antarmuka baris perintah yang menyediakan perintah interaktif untuk menyederhanakan pembuatan, pembaruan, dan pemantauan lingkungan dari repositori lokal.
+ [Framework Flask](https://flask.palletsprojects.com/en/stable/) melakukan pemrosesan data dan panggilan API menggunakan Python dan menawarkan visualisasi web interaktif dengan Plotly.
**Repositori kode**
Kode untuk pola ini tersedia dalam [hasil AI/ML model GitHub Visualize menggunakan Flask dan AWS Elastic Beanstalk](https://github.com/aws-samples/aws-comprehend-elasticbeanstalk-for-flask) repositori.
## Epik
### Siapkan aplikasi Flask
| Tugas | Deskripsi | Keterampilan yang dibutuhkan |
| --- | --- | --- |
| Kloning GitHub repositori. | Tarik kode aplikasi dari [hasil AI/ML model GitHub Visualize menggunakan Flask dan AWS Elastic Beanstalk](https://github.com/aws-samples/aws-comprehend-elasticbeanstalk-for-flask) repositori dengan menjalankan perintah berikut:
`git clone git@github.com:aws-samples/aws-comprehend-elasticbeanstalk-for-flask.git`Pastikan Anda mengonfigurasi kunci SSH Anda dengan GitHub. | Developer |
| Instal modul Python. | Setelah Anda mengkloning repositori, `aws-comprehend-elasticbeanstalk-for-flask` direktori lokal baru dibuat. Dalam direktori itu, `requirements.txt` file berisi modul Python dan versi yang menjalankan aplikasi. Gunakan perintah berikut untuk menginstal modul:
`cd aws-comprehend-elasticbeanstalk-for-flask`
`pip install -r requirements.txt` | Pengembang Python |
| Uji aplikasi secara lokal. | Mulai server Flask dengan menjalankan perintah berikut:
`python application.py`
Ini mengembalikan informasi tentang server yang sedang berjalan. Anda harus dapat mengakses aplikasi dengan membuka browser dan mengunjungi http://localhost:5000Jika Anda menjalankan aplikasi dalam AWS Cloud9 IDE, Anda perlu mengganti `application.run()` perintah dalam `application.py` file dengan baris berikut:
`application.run(host=os.getenv('IP', '0.0.0.0'),port=int(os.getenv('PORT', 8080)))`
Anda harus mengembalikan perubahan ini sebelum penerapan. | Pengembang Python |
### Menyebarkan aplikasi ke Elastic Beanstalk
| Tugas | Deskripsi | Keterampilan yang dibutuhkan |
| --- | --- | --- |
| Luncurkan aplikasi Elastic Beanstalk. | Untuk meluncurkan proyek Anda sebagai aplikasi Elastic Beanstalk, jalankan perintah berikut dari direktori root aplikasi Anda:
`eb init -p python-3.6 comprehend_flask --region us-east-1` [See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/patterns/visualize-ai-ml-model-results-using-flask-and-aws-elastic-beanstalk.html)
Jalankan `eb init -i` perintah untuk opsi konfigurasi penerapan lainnya. | Arsitek, Pengembang |
| Menyebarkan lingkungan Elastic Beanstalk. | Jalankan perintah berikut dari direktori root aplikasi:
`eb create comprehend-flask-env``comprehend-flask-env`adalah nama lingkungan Elastic Beanstalk dan dapat diubah sesuai dengan kebutuhan Anda. Nama hanya dapat berisi huruf, angka, dan tanda hubung. | Arsitek, Pengembang |
| Otorisasi penerapan Anda untuk menggunakan Amazon Comprehend. | Meskipun aplikasi Anda mungkin berhasil di-deploy, Anda juga harus menyediakan penerapan Anda dengan akses ke Amazon Comprehend. `ComprehendFullAccess`adalah kebijakan AWS terkelola yang menyediakan izin kepada aplikasi yang diterapkan untuk melakukan panggilan API ke Amazon Comprehend.
Lampirkan `ComprehendFullAccess` kebijakan ke `aws-elasticbeanstalk-ec2-role` (peran ini dibuat secara otomatis untuk instance Amazon Elastic Compute Cloud (Amazon EC2) penerapan Anda) dengan menjalankan perintah berikut:
`aws iam attach-role-policy --policy-arn arn:aws:iam::aws:policy/ComprehendFullAccess --role-name aws-elasticbeanstalk-ec2-role``aws-elasticbeanstalk-ec2-role`dibuat saat aplikasi Anda di-deploy. Anda harus menyelesaikan proses penyebaran sebelum Anda dapat melampirkan kebijakan AWS Identity and Access Management (IAM). | Pengembang, Arsitek keamanan |
| Kunjungi aplikasi yang Anda gunakan. | Setelah aplikasi Anda berhasil menyebarkan, Anda dapat mengunjunginya dengan menjalankan `eb open` perintah.
Anda juga dapat menjalankan `eb status` perintah untuk menerima detail tentang penerapan Anda. URL penyebaran tercantum di bawah`CNAME`. | Arsitek, Pengembang |
### (Opsional) Sesuaikan aplikasi ke model ML Anda
| Tugas | Deskripsi | Keterampilan yang dibutuhkan |
| --- | --- | --- |
| Otorisasi Elastic Beanstalk untuk mengakses model baru. | Pastikan Elastic Beanstalk memiliki izin akses yang diperlukan untuk titik akhir model baru Anda. Misalnya, jika Anda menggunakan titik akhir Amazon SageMaker AI, penerapan Anda harus memiliki izin untuk memanggil titik akhir.
Untuk informasi lebih lanjut tentang ini, lihat [InvokeEndpoint](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_runtime_InvokeEndpoint.html)di dokumentasi Amazon SageMaker AI. | Pengembang, Arsitek keamanan |
| Kirim data pengguna ke model baru. | Untuk mengubah model HTML yang mendasari dalam aplikasi ini, Anda harus mengubah file berikut:[See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/patterns/visualize-ai-ml-model-results-using-flask-and-aws-elastic-beanstalk.html) | Ilmuwan data |
| Perbarui visualisasi dasbor. | Biasanya, menggabungkan model ML baru berarti visualisasi harus diperbarui untuk mencerminkan hasil baru. Perubahan ini dibuat dalam file-file berikut:[See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/patterns/visualize-ai-ml-model-results-using-flask-and-aws-elastic-beanstalk.html) | Pengembang web |
### (Opsional) Menyebarkan aplikasi yang diperbarui
| Tugas | Deskripsi | Keterampilan yang dibutuhkan |
| --- | --- | --- |
| Perbarui file persyaratan aplikasi Anda. | Sebelum mengirim perubahan ke Elastic Beanstalk, `requirements.txt` perbarui file untuk mencerminkan modul Python baru dengan menjalankan perintah berikut di direktori root aplikasi Anda:
`pip freeze > requirements.txt` | Pengembang Python |
| Pasang kembali lingkungan Elastic Beanstalk. | Untuk memastikan bahwa perubahan aplikasi Anda tercermin dalam penyebaran Elastic Beanstalk Anda, navigasikan ke direktori root aplikasi Anda dan jalankan perintah berikut:
`eb deploy`
Ini mengirimkan versi terbaru dari kode aplikasi ke penyebaran Elastic Beanstalk Anda yang ada. | Administrator sistem, Arsitek |
## Pemecahan masalah
| Isu | Solusi |
| --- | --- |
| `Unable to assume role "arn:aws:iam::xxxxxxxxxx:role/aws-elasticbeanstalk-ec2-role". Verify that the role exists and is configured correctly.` | Jika kesalahan ini terjadi saat Anda menjalankan`eb create`, buat contoh aplikasi di konsol Elastic Beanstalk untuk membuat profil instance default. Untuk informasi selengkapnya tentang ini, lihat [Membuat lingkungan Elastic Beanstalk](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/using-features.environments.html) dalam dokumentasi. AWS Elastic Beanstalk |
| `Your WSGIPath refers to a file that does not exist.` | Kesalahan ini terjadi di log penerapan karena Elastic Beanstalk mengharapkan kode Flask diberi nama. `application.py` Jika Anda memilih nama yang berbeda, jalankan `eb config` dan edit WSGIPath seperti yang ditunjukkan pada contoh kode berikut:aws:elasticbeanstalk:container:python:
NumProcesses: '1'
NumThreads: '15'
StaticFiles: /static/=static/
WSGIPath: application.py
Pastikan Anda mengganti `application.py` dengan nama file Anda.
Anda juga dapat memanfaatkan Gunicorn dan Procfile. Untuk informasi selengkapnya tentang pendekatan ini, lihat [Mengkonfigurasi server WSGI dengan Procfile dalam dokumentasi](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/python-configuration-procfile.html). AWS Elastic Beanstalk |
| `Target WSGI script '/opt/python/current/app/application.py' does not contain WSGI application 'application'.` | Elastic Beanstalk mengharapkan variabel yang mewakili aplikasi Flask Anda diberi nama. `application` Pastikan bahwa `application.py` file menggunakan `application` sebagai nama variabel:application = Flask(__name__)
|
| `The EB CLI cannot find your SSH key file for keyname` | Gunakan EB CLI untuk menentukan key pair mana yang akan digunakan atau membuat key pair untuk instans Amazon EC2 deployment Anda. Untuk mengatasi kesalahan, jalankan `eb init -i` dan salah satu opsi akan bertanya:Do you want to set up SSH for your instances?
Tanggapi dengan `Y` membuat key pair atau menentukan key pair yang ada. |
| Saya telah memperbarui kode saya dan menerapkan kembali, tetapi penerapan saya tidak mencerminkan perubahan saya. | Jika Anda menggunakan repositori Git dengan penerapan Anda, pastikan Anda menambahkan dan mengkomit perubahan Anda sebelum menerapkan ulang. |
| Anda melihat pratinjau aplikasi Flask dari AWS Cloud9 IDE dan mengalami kesalahan. | Untuk informasi selengkapnya tentang ini, lihat [Mempratinjau aplikasi yang sedang berjalan di AWS Cloud9 IDE](https://docs.aws.amazon.com/cloud9/latest/user-guide/app-preview.html) dalam AWS Cloud9 dokumentasi. |
## Sumber daya terkait
+ [Panggil titik akhir model Amazon SageMaker AI menggunakan Amazon API Gateway dan AWS Lambda](https://aws.amazon.com/blogs/machine-learning/call-an-amazon-sagemaker-model-endpoint-using-amazon-api-gateway-and-aws-lambda/)
+ [Menyebarkan aplikasi Flask ke Elastic Beanstalk](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/create-deploy-python-flask.html)
+ [Referensi perintah EB CLI](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/eb3-cmd-commands.html)
+ [Menyiapkan lingkungan pengembangan Python Anda](https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/python-development-environment.html)
## Informasi tambahan
*Pemrosesan bahasa alami menggunakan Amazon Comprehend*
Dengan memilih untuk menggunakan Amazon Comprehend, Anda dapat mendeteksi entitas kustom dalam dokumen teks individual dengan menjalankan analisis real-time atau pekerjaan batch asinkron. Amazon Comprehend juga memungkinkan Anda untuk melatih pengenalan entitas kustom dan model klasifikasi teks yang dapat digunakan secara real time dengan membuat titik akhir.
Pola ini menggunakan pekerjaan batch asinkron untuk mendeteksi sentimen dan entitas dari file input yang berisi beberapa dokumen. Contoh aplikasi yang disediakan oleh pola ini dirancang bagi pengguna untuk mengunggah file.csv yang berisi satu kolom dengan satu dokumen teks per baris. `comprehend_helper.py`File dalam [hasil AI/ML model GitHub Visualize menggunakan Flask dan AWS Elastic Beanstalk](https://github.com/aws-samples/aws-comprehend-elasticbeanstalk-for-flask) repositori membaca file input dan mengirimkan input ke Amazon Comprehend untuk diproses.
*BatchDetectEntities*
Amazon Comprehend memeriksa teks kumpulan dokumen untuk entitas bernama dan mengembalikan entitas yang terdeteksi, [lokasi, jenis](https://docs.aws.amazon.com/comprehend/latest/dg/how-entities.html) entitas, dan skor yang menunjukkan tingkat kepercayaan Amazon Comprehend. Maksimal 25 dokumen dapat dikirim dalam satu panggilan API, dengan setiap dokumen berukuran lebih kecil dari 5.000 byte. Anda dapat memfilter hasil untuk hanya menampilkan entitas tertentu berdasarkan kasus penggunaan. Misalnya, Anda dapat melewati tipe `‘quantity’` entitas dan menetapkan skor ambang batas untuk entitas yang terdeteksi (misalnya, 0,75). Kami menyarankan Anda menjelajahi hasil untuk kasus penggunaan spesifik Anda sebelum memilih nilai ambang batas. Untuk informasi selengkapnya tentang ini, lihat [BatchDetectEntities](https://docs.aws.amazon.com/comprehend/latest/dg/API_BatchDetectEntities.html)di dokumentasi Amazon Comprehend.
*BatchDetectSentiment*
Amazon Comprehend memeriksa sekumpulan dokumen yang masuk dan mengembalikan sentimen yang berlaku untuk setiap dokumen (,,, atau). `POSITIVE` `NEUTRAL` `MIXED` `NEGATIVE` Maksimal 25 dokumen dapat dikirim dalam satu panggilan API, dengan setiap dokumen berukuran lebih kecil dari 5.000 byte. Menganalisis sentimen sangat mudah dan Anda memilih sentimen dengan skor tertinggi untuk ditampilkan dalam hasil akhir. Untuk informasi selengkapnya tentang ini, lihat [BatchDetectSentiment](https://docs.aws.amazon.com/comprehend/latest/dg/API_BatchDetectSentiment.html)di dokumentasi Amazon Comprehend.
*Penanganan konfigurasi labu*
Server Flask menggunakan serangkaian [variabel konfigurasi](https://flask.palletsprojects.com/en/stable/config/) untuk mengontrol bagaimana server berjalan. Variabel ini dapat berisi output debug, token sesi, atau pengaturan aplikasi lainnya. Anda juga dapat menentukan variabel kustom yang dapat diakses saat aplikasi sedang berjalan. Ada beberapa pendekatan untuk mengatur variabel konfigurasi.
Dalam pola ini, konfigurasi didefinisikan `config.py` dan diwariskan di dalam`application.py`.
+ `config.py`berisi variabel konfigurasi yang diatur pada startup aplikasi. Dalam aplikasi ini, `DEBUG` variabel didefinisikan untuk memberitahu aplikasi untuk menjalankan server dalam [modus debug](https://flask.palletsprojects.com/en/stable/config/#DEBUG).
**catatan**
Mode debug tidak boleh digunakan saat menjalankan aplikasi di lingkungan produksi. `UPLOAD_FOLDER`adalah variabel kustom yang didefinisikan untuk direferensikan nanti dalam aplikasi dan menginformasikannya di mana data pengguna yang diunggah harus disimpan.
+ `application.py`memulai aplikasi Flask dan mewarisi pengaturan konfigurasi didefinisikan dalam. `config.py` Ini dilakukan oleh kode berikut:
```
application = Flask(__name__)
application.config.from_pyfile('config.py')
```