照片由 Franck V 發(fā)布在 Unsplash 上

閱讀本文后，你將能夠部署機(jī)器學(xué)習(xí)模型，并用你想要的編程語(yǔ)言進(jìn)行預(yù)測(cè)。沒(méi)錯(cuò)，你可以堅(jiān)持使用 Python，也可以通過(guò) Java 或 Kotlin 直接在你的 Android 應(yīng)用程序中進(jìn)行預(yù)測(cè)。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(jiǎn)單起見(jiàn)，我會(huì)用 Postman。

不過(guò)，我不會(huì)解釋如何將這個(gè)模型放到一個(gè)實(shí)時(shí)服務(wù)器上，因?yàn)檫x擇太多了。該模型將在你的本地主機(jī)上運(yùn)行，因此，你將無(wú)法從不同的網(wǎng)絡(luò)訪問(wèn)它（但請(qǐng)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(guò) Anaconda 安裝了 Python，那么你可能已經(jīng)預(yù)先安裝了所有庫(kù)，除了 Flask。因此，啟動(dòng)終端并執(zhí)行以下語(yǔ)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(lái)看看好東西。

制作基本預(yù)測(cè)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(kāi) model/Train.py 文件。你先要加載虹膜數(shù)據(jù)集，并使用一個(gè)簡(jiǎn)單的決策樹(shù)分類器來(lái)訓(xùn)練模型。訓(xùn)練完成后，我將使用 joblib 庫(kù)保存模型，并將精度分?jǐn)?shù)報(bào)告給用戶。

這里并不復(fù)雜，因?yàn)闄C(jī)器學(xué)習(xí)不是本文的重點(diǎn)，這里只是模型部署。下面是整個(gè)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(kāi) 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(shí)例。沒(méi)什么復(fù)雜的：

app = Flask(__name__)

api = Api(app)

接下來(lái)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(duì)模型進(jìn)行訓(xùn)練。訓(xùn)練完成后，可以通過(guò) 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(gè)用于進(jìn)行預(yù)測(cè)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(huì)直接通過(guò) 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(cè)）。然后，可以調(diào)用加載模型的 .predict函數(shù)。僅僅因?yàn)檫@個(gè)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(gè)問(wèn)題。最后，你可以返回預(yù)測(cè)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(gè)路由，URL 的一部分將用于處理請(qǐng)求：

api.add_resource(MakePrediction, '/predict')

最后一件事是告訴 Python 去調(diào)試模式運(yùn)行應(yīng)用程序：

if __name__ == '__main__':

app.run(debug=True)

這樣做就對(duì)了。你可以通過(guò) Postman 或其他工具啟動(dòng)模型并進(jìn)行預(yù)測(cè)。

為了防止你漏掉什么，這里是整個(gè) 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(cuò)！導(dǎo)航到根目錄（app.py 就在根目錄中），啟動(dòng)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(gè)輸出，顯示應(yīng)用程序正在本地主機(jī)上運(yùn)行。

現(xiàn)在我將打開(kāi) 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(xiàng)卡中選擇 JSON

• 輸入一些 JSON 進(jìn)行預(yù)測(cè)

然后你可以點(diǎn)擊發(fā)送：

瞧！幾乎馬上你就能從你的模型中得到預(yù)測(cè)。

寫(xiě)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(kù)，那么應(yīng)該就可以繼續(xù)。

我強(qiáng)烈建議你在自己的數(shù)據(jù)集和業(yè)務(wù)問(wèn)題上利用這些新獲得的知識(shí)。如果你用 Python 以外的語(yǔ)言編寫(xiě)應(yīng)用程序，并且使用 Python 只是為了數(shù)據(jù)和機(jī)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(píng)選——尋找19大行業(yè)的最佳AI落地實(shí)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(gè)人工智能商業(yè)案例評(píng)選活動(dòng)。雷鋒網(wǎng)從商用維度出發(fā)，尋找人工智能在各個(gè)行業(yè)的最佳落地實(shí)踐。

第三屆評(píng)選已正式啟動(dòng)，關(guān)注微信公眾號(hào)“雷鋒網(wǎng)”，回復(fù)關(guān)鍵詞“榜單”參與報(bào)名。詳情可咨詢微信號(hào)：xqxq_xq