广西热线
广西热线 > 企业 > 正文

害怕部署机器学习模型?这里有一篇手把手教程

导读: 

照片由 Franck V 发布在 Unsplash 上阅读本文后,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。

照片由 Franck V 发布在 Unsplash 上

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 Flaskpip install Flask-RESTful

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))

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

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)

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')

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

})

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')

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)

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)

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

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

雷锋网年度评选——寻找19大行业的最佳AI落地实践

创立于2017年的「AI最佳掘金案例年度榜单」,是业内首个人工智能商业案例评选活动。雷锋网从商用维度出发,寻找人工智能在各个行业的最佳落地实践。

第三届评选已正式启动,关注微信公众号“雷锋网”,回复关键词“榜单”参与报名。详情可咨询微信号:xqxq_xq

推荐阅读:2019年新手机