害怕部署機器學習模型？這裡有一篇手把手教程

照片由 Franck V 釋出在 Unsplash 上

閱讀本文後，你將能夠部署機器學習模型，並用你想要的程式語言進行預測。沒錯，你可以堅持使用 Python，也可以透過 Java 或 Kotlin 直接在你的 Android 應用程式中進行預測。另外，你可以直接在你的 web 應用程式中使用該模型——你有很多很多選擇。為了簡單起見，我會用  。

不過，我不會解釋如何將這個模型放到一個實時伺服器上，因為選擇太多了。該模型將在你的本地主機上執行，因此，你將無法從不同的網路訪問它（但請隨意使用 google 查詢如何將模型部署到 AWS 或類似的東西上）。

我已經做了以下目錄結構：

ML 部署：

• model / Train.py

• app.py

如果你已經透過 Anaconda 安裝了 Python，那麼你可能已經預先安裝了所有庫，除了 Flask。因此，啟動終端並執行以下語句：

pip install Flask
pip install Flask-RESTful

進展是不是很順利？很好，現在讓我們來看看好東西。

製作基本預測指令碼

如果您正在遵循目錄結構，那麼現在應該開啟 model/Train.py 檔案。你先要載入虹膜資料集，並使用一個簡單的決策樹分類器來訓練模型。訓練完成後，我將使用 joblib 庫儲存模型，並將精度分數報告給使用者。

這裡並不複雜，因為機器學習不是本文的重點，這裡只是模型部署。下面是整個指令碼：

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

現在你可以開啟 app.py 檔案並執行一些匯入操作。你需要作業系統模組：Flask 和 Flask RESTful 中的一些東西，它們是 10 秒前建立的模型訓練指令碼，你還要將它們和 joblib 載入到訓練模型中：

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 

現在你應該從 Flask RESTful 中建立 Flask 和 Api 的例項。沒什麼複雜的：

app = Flask(__name__)
api = Api(app)

接下來要做的是檢查模型是否已經訓練好了。在 Train.py 中，你已經宣告該模型將儲存在檔案  iris-model.model 檔案中，並且如果該檔案不存在，則應該首先對模型進行訓練。訓練完成後，可以透過 joblib 載入：

if not os.path.isfile('iris-model.model'):
   train_model()

model = joblib.load('iris-model.model')

現在你需要宣告一個用於進行預測的類。Flask RESTful 使用此編碼約定，因此你的類將需要從 Flask RESTful 資源模組繼承。在類中，可以宣告 get（）、post（）或任何其他處理資料的方法。

我們將使用 post（），因此資料不會直接透過 URL 傳遞。你需要從使用者輸入中獲取屬性（根據使用者輸入的屬性值進行預測）。然後，可以呼叫載入模型的 .predict（）函式。僅僅因為這個資料集的目標變數的格式是（0，1，2）而不是（'Iris-setosa'，'Iris versicolor'，'Iris virginica'），你還需要解決這個問題。最後，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！你還需要宣告一個路由，URL 的一部分將用於處理請求：

api.add_resource(MakePrediction, '/predict')

最後一件事是告訴 Python 去除錯模式執行應用程式：

if __name__ == '__main__':
   app.run(debug=True)

這樣做就對了。你可以透過 Postman 或其他工具啟動模型並進行預測。

為了防止你漏掉什麼，這裡是整個 app.py 檔案，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），啟動終端並執行以下操作： 

python app.py

大約一秒鐘後，你將得到一個輸出，顯示應用程式正在本地主機上執行。

現在我將開啟 Postman 並執行以下操作：

• 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

然後你可以點選傳送：

瞧！幾乎馬上你就能從你的模型中得到預測。

寫在最後

我希望你能看完這篇文章。如果你只是複製貼上的所有內容，只要你安裝了所有必需的庫，那麼應該就可以繼續。

我強烈建議你在自己的資料集和業務問題上利用這些新獲得的知識。如果你用 Python 以外的語言編寫應用程式，並且使用 Python 只是為了資料和機器學習相關的東西，那麼它就很有用了。

via：