 照片由 Franck V 發(fā)布在 Unsplash 上 閱讀本文后，你將能夠部署機器學(xué)習(xí)模型，并用你想要的編程語言進(jìn)行預(yù)測。沒錯，你可以堅持使用 Python，也可以通過 Java 或 Kotlin 直接在你的 Android 應(yīng)用程序中進(jìn)行預(yù)測。另外，你可以直接在你的 web 應(yīng)用程序中使用該模型——你有很多很多選擇。為了簡單起見，我會用 Postman。 不過，我不會解釋如何將這個模型放到一個實時服務(wù)器上，因為選擇太多了。該模型將在你的本地主機上運行，因此，你將無法從不同的網(wǎng)絡(luò)訪問它（但請隨意使用 google 查詢?nèi)绾螌⒛Ｐ筒渴鸬?AWS 或類似的東西上）。 我已經(jīng)做了以下目錄結(jié)構(gòu)： ML 部署： 如果你已經(jīng)通過 Anaconda 安裝了 Python，那么你可能已經(jīng)預(yù)先安裝了所有庫，除了 Flask。因此，啟動終端并執(zhí)行以下語句： pip install Flaskpip install Flask-RESTful
進(jìn)展是不是很順利？很好，現(xiàn)在讓我們來看看好東西。 制作基本預(yù)測腳本 如果您正在遵循目錄結(jié)構(gòu)，那么現(xiàn)在應(yīng)該打開 model/Train.py 文件。你先要加載虹膜數(shù)據(jù)集，并使用一個簡單的決策樹分類器來訓(xùn)練模型。訓(xùn)練完成后，我將使用 joblib 庫保存模型，并將精度分?jǐn)?shù)報告給用戶。 這里并不復(fù)雜，因為機器學(xué)習(xí)不是本文的重點，這里只是模型部署。下面是整個腳本： 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 現(xiàn)在你可以打開 app.py 文件并執(zhí)行一些導(dǎo)入操作。你需要操作系統(tǒng)模塊：Flask 和 Flask RESTful 中的一些東西，它們是 10 秒前創(chuàng)建的模型訓(xùn)練腳本，你還要將它們和 joblib 加載到訓(xùn)練模型中： 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
現(xiàn)在你應(yīng)該從 Flask RESTful 中創(chuàng)建 Flask 和 Api 的實例。沒什么復(fù)雜的： app = Flask(__name__) api = Api(app)
接下來要做的是檢查模型是否已經(jīng)訓(xùn)練好了。在 Train.py 中，你已經(jīng)聲明該模型將保存在文件 iris-model.model 文件中，并且如果該文件不存在，則應(yīng)該首先對模型進(jìn)行訓(xùn)練。訓(xùn)練完成后，可以通過 joblib 加載： if not os.path.isfile('iris-model.model'): train_model model = joblib.load('iris-model.model')
現(xiàn)在你需要聲明一個用于進(jìn)行預(yù)測的類。Flask RESTful 使用此編碼約定，因此你的類將需要從 Flask RESTful 資源模塊繼承。在類中，可以聲明 get、post或任何其他處理數(shù)據(jù)的方法。 我們將使用 post，因此數(shù)據(jù)不會直接通過 URL 傳遞。你需要從用戶輸入中獲取屬性（根據(jù)用戶輸入的屬性值進(jìn)行預(yù)測）。然后，可以調(diào)用加載模型的 .predict函數(shù)。僅僅因為這個數(shù)據(jù)集的目標(biāo)變量的格式是（0，1，2）而不是（'Iris-setosa'，'Iris versicolor'，'Iris virginica'），你還需要解決這個問題。最后，你可以返回預(yù)測的 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 })
我們就快完成了，加油！你還需要聲明一個路由，URL 的一部分將用于處理請求： api.add_resource(MakePrediction, '/predict')
最后一件事是告訴 Python 去調(diào)試模式運行應(yīng)用程序： if __name__ == '__main__': app.run(debug=True)
這樣做就對了。你可以通過 Postman 或其他工具啟動模型并進(jìn)行預(yù)測。 為了防止你漏掉什么，這里是整個 app.py 文件，你可以參考： 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，你準(zhǔn)備好了嗎？ 不錯！導(dǎo)航到根目錄（app.py 就在根目錄中），啟動終端并執(zhí)行以下操作： python app.py
大約一秒鐘后，你將得到一個輸出，顯示應(yīng)用程序正在本地主機上運行。 現(xiàn)在我將打開 Postman 并執(zhí)行以下操作： 然后你可以點擊發(fā)送：  瞧！幾乎馬上你就能從你的模型中得到預(yù)測。 寫在最后 我希望你能看完這篇文章。如果你只是復(fù)制粘貼的所有內(nèi)容，只要你安裝了所有必需的庫，那么應(yīng)該就可以繼續(xù)。 我強烈建議你在自己的數(shù)據(jù)集和業(yè)務(wù)問題上利用這些新獲得的知識。如果你用 Python 以外的語言編寫應(yīng)用程序，并且使用 Python 只是為了數(shù)據(jù)和機器學(xué)習(xí)相關(guān)的東西，那么它就很有用了。 via：http://t.cn/AirsMxVF 雷鋒網(wǎng)年度評選——尋找19大行業(yè)的最佳AI落地實踐 創(chuàng)立于2017年的「AI最佳掘金案例年度榜單」，是業(yè)內(nèi)首個人工智能商業(yè)案例評選活動。雷鋒網(wǎng)從商用維度出發(fā)，尋找人工智能在各個行業(yè)的最佳落地實踐。 第三屆評選已正式啟動，關(guān)注微信公眾號“雷鋒網(wǎng)”，回復(fù)關(guān)鍵詞“榜單”參與報名。詳情可咨詢微信號：xqxq_xq  |
