害怕部署機器學習模型？這里有一篇手把手教程
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習模型，并用你想要的編程語言進行預測。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)用程序中進行預測。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：
model / Train.py
app.py
如果你已經(jīng)通過 Anaconda 安裝了 Python，那么你可能已經(jīng)預先安裝了所有庫，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練模型。訓練完成后，我將使用 joblib 庫保存模型，并將精度分數(shù)報告給用戶。
這里并不復雜，因為機器學習不是本文的重點，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)建的模型訓練腳本，你還要將它們和 joblib 加載到訓練模型中：
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)該首先對模型進行訓練。訓練完成后，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行預測的類。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行預測）。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行預測。
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，你準備好了嗎？
不錯！導航到根目錄（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：
將方法更改為 POST
輸入 localhost:5000/predict 作為 URL
在 Body 選項卡中選擇 JSON
輸入一些 JSON 進行預測
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測。
寫在最后
我希望你能看完這篇文章。如果你只是復制粘貼的所有內(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)和機器學習相關(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)”，回復關(guān)鍵詞“榜單”參與報名。詳情可咨詢微信號：xqxq_xq
