害怕部署机器学习模型?这里有一篇手把手教程

新闻 机器学习
机器学习模型的部署可能会让初学者感到害怕,甚至对那些有经验的人来说也是如此。

 [[283211]]

照片由 Franck V 发布在 Unsplash 上

本文转自雷锋网,如需转载请至雷锋网官网申请授权。

阅读本文后,你将能够部署机器学习模型,并用你想要的编程语言进行预测。没错,你可以坚持使用 Python,也可以通过 Java 或 Kotlin 直接在你的 Android 应用程序中进行预测。另外,你可以直接在你的 web 应用程序中使用该模型——你有很多很多选择。为了简单起见,我会用 Postman。

不过,我不会解释如何将这个模型放到一个实时服务器上,因为选择太多了。该模型将在你的本地主机上运行,因此,你将无法从不同的网络访问它(但请随意使用 google 查询如何将模型部署到 AWS 或类似的东西上)。

我已经做了以下目录结构:

ML 部署:

  • model / Train.py

  • app.py

如果你已经通过 Anaconda 安装了 Python,那么你可能已经预先安装了所有库,除了 Flask。因此,启动终端并执行以下语句:

pip install Flask 
pip install Flask-RESTful 
  • 1.
  • 2.

进展是不是很顺利?很好,现在让我们来看看好东西。

制作基本预测脚本

如果您正在遵循目录结构,那么现在应该打开 model/Train.py 文件。你先要加载虹膜数据集,并使用一个简单的决策树分类器来训练模型。训练完成后,我将使用 joblib 库保存模型,并将精度分数报告给用户。

这里并不复杂,因为机器学习不是本文的重点,这里只是模型部署。下面是整个脚本:

from sklearn import datasets 
from sklearn.tree import DecisionTreeClassifier 
from sklearn.model_selection import train_test_split 
from sklearn.metrics import accuracy_score 
from sklearn.externals import joblib 
 
def train_model(): 
   iris_df = datasets.load_iris() 
 
   x = iris_df.data 
   y = iris_df.target 
 
   X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.25
   dt = DecisionTreeClassifier().fit(X_train, y_train) 
   preds = dt.predict(X_test) 
 
   accuracy = accuracy_score(y_test, preds) 
   joblib.dump(dt, 'iris-model.model'
   print('Model Training Finished.\n\tAccuracy obtained: {}'.format(accuracy)) 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.

部署

现在你可以打开 app.py 文件并执行一些导入操作。你需要操作系统模块:Flask 和 Flask RESTful 中的一些东西,它们是 10 秒前创建的模型训练脚本,你还要将它们和 joblib 加载到训练模型中:

import os 
from flask import Flask, jsonify, request 
from flask_restful import Api, Resource 
from model.Train import train_model 
from sklearn.externals import joblib  
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.

现在你应该从 Flask RESTful 中创建 Flask 和 Api 的实例。没什么复杂的:

app = Flask(__name__) 
api = Api(app) 
  • 1.
  • 2.

接下来要做的是检查模型是否已经训练好了。在 Train.py 中,你已经声明该模型将保存在文件  iris-model.model 文件中,并且如果该文件不存在,则应该首先对模型进行训练。训练完成后,可以通过 joblib 加载:

if not os.path.isfile('iris-model.model'): 
   train_model() 
 
model = joblib.load('iris-model.model'
  • 1.
  • 2.
  • 3.
  • 4.

现在你需要声明一个用于进行预测的类。Flask RESTful 使用此编码约定,因此你的类将需要从 Flask RESTful 资源模块继承。在类中,可以声明 get()、post()或任何其他处理数据的方法。

我们将使用 post(),因此数据不会直接通过 URL 传递。你需要从用户输入中获取属性(根据用户输入的属性值进行预测)。然后,可以调用加载模型的 .predict()函数。仅仅因为这个数据集的目标变量的格式是(0,1,2)而不是('Iris-setosa','Iris versicolor','Iris virginica'),你还需要解决这个问题。最后,你可以返回预测的 JSON 表示: 

class MakePrediction(Resource): 
   @staticmethod 
   def post(): 
       posted_data = request.get_json() 
       sepal_length = posted_data['sepal_length'
       sepal_width = posted_data['sepal_width'
       petal_length = posted_data['petal_length'
       petal_width = posted_data['petal_width'
 
       prediction = model.predict([[sepal_length, sepal_width, petal_length, petal_width]])[0
       if prediction == 0
           predicted_class = 'Iris-setosa' 
       elif prediction == 1
           predicted_class = 'Iris-versicolor' 
       else
           predicted_class = 'Iris-virginica' 
 
       return jsonify({ 
           'Prediction': predicted_class 
       }) 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.

我们就快完成了,加油!你还需要声明一个路由,URL 的一部分将用于处理请求:

api.add_resource(MakePrediction, '/predict'
  • 1.

最后一件事是告诉 Python 去调试模式运行应用程序:

if __name__ == '__main__'
   app.run(debug=True) 
  • 1.
  • 2.

这样做就对了。你可以通过 Postman 或其他工具启动模型并进行预测。

为了防止你漏掉什么,这里是整个 app.py 文件,你可以参考:

import os 
from flask import Flask, jsonify, request 
from flask_restful import Api, Resource 
from model.Train import train_model 
from sklearn.externals import joblib 
 
app = Flask(__name__) 
api = Api(app) 
 
if not os.path.isfile('iris-model.model'): 
   train_model() 
 
model = joblib.load('iris-model.model'
 
class MakePrediction(Resource): 
   @staticmethod 
   def post(): 
       posted_data = request.get_json() 
       sepal_length = posted_data['sepal_length'
       sepal_width = posted_data['sepal_width'
       petal_length = posted_data['petal_length'
       petal_width = posted_data['petal_width'
 
       prediction = model.predict([[sepal_length, sepal_width, petal_length, petal_width]])[0
       if prediction == 0
           predicted_class = 'Iris-setosa' 
       elif prediction == 1
           predicted_class = 'Iris-versicolor' 
       else
           predicted_class = 'Iris-virginica' 
 
       return jsonify({ 
           'Prediction': predicted_class 
       }) 
 
api.add_resource(MakePrediction, '/predict'
 
if __name__ == '__main__'
   app.run(debug=True) 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38.
  • 39.

好的,你准备好了吗?

不错!导航到根目录(app.py 就在根目录中),启动终端并执行以下操作: 

python app.py 
  • 1.

大约一秒钟后,你将得到一个输出,显示应用程序正在本地主机上运行。

现在我将打开 Postman 并执行以下操作:

  • 将方法更改为 POST

  • 输入 localhost:5000/predict 作为 URL

  • 在 Body 选项卡中选择 JSON

  • 输入一些 JSON 进行预测

然后你可以点击发送:

瞧!几乎马上你就能从你的模型中得到预测。

写在最后

我希望你能看完这篇文章。如果你只是复制粘贴的所有内容,只要你安装了所有必需的库,那么应该就可以继续。

我强烈建议你在自己的数据集和业务问题上利用这些新获得的知识。如果你用 Python 以外的语言编写应用程序,并且使用 Python 只是为了数据和机器学习相关的东西,那么它就很有用了。

via:http://t.cn/AirsMxVF  

责任编辑:张燕妮 来源: 雷锋网
相关推荐

2020-03-09 14:42:40

人工智能机器学习技术

2020-02-17 15:05:28

机器学习人工智能计算机

2023-11-21 08:00:20

AI模型

2018-01-29 13:41:06

数据库区块链比特币

2022-09-21 11:29:05

数据分析业务复盘

2023-06-09 11:33:42

数据分析报告

2018-02-25 19:02:45

Python机器学习算法

2017-10-18 09:48:13

深度学习TensorFlow入门篇

2016-04-27 09:49:16

用户模型产品总结

2020-11-02 15:49:35

机器学习技术云计算

2017-02-09 18:50:42

深度学习机器计算机

2024-08-20 15:05:42

机器学习多任务多标签模型

2020-11-27 07:38:43

MongoDB

2022-08-04 10:39:23

Jenkins集成CD

2019-11-13 14:39:56

EdgeBoard

2011-02-22 14:36:40

ASP.NETmsdnC#

2009-12-15 16:44:07

水星路由器设置教程

2023-07-04 07:37:20

AzureOpenAI操作手册

2021-07-14 09:00:00

JavaFX开发应用

2011-05-03 15:59:00

黑盒打印机
点赞
收藏

51CTO技术栈公众号