機器學習專案是如何開發和部署的？

AdolphLWQ發表於2020-05-28
機器學習

本文以一個小專案帶你弄清ML的專案流程

這周做作業查資料時，無意中看到一個GitHub專案ML-web-app，它以PyTorch訓練MNIST文字識別模型為例，介紹了從模型訓練到部署上線的整個流程。是非常好的學習專案！下圖是效果圖:

筆者瀏覽了專案的程式碼,以學習為目的,簡單解讀下這個專案。

模型訓練

模型訓練是相對獨立的部分，可以由演算法工程師來做。總結起來就是呼叫PyTorch介面，建立一個神經網路，然後利用MNIST資料進行訓練，最後把訓練好的模型檔案儲存起來，後面部署的時候要用到。

服務部署

該專案使用Flask框架部署服務，為了方便閱讀，筆者對程式碼進行了精簡。

下面的程式碼中，通過載入預訓練好的模型資料，得到模型例項，可以進行預測：

# initialize flask application
app = Flask(__name__)

# Read model to keep it ready all the time
model = MyModel('./ml_model/trained_weights.pth', 'cpu')

核心預測API路由，路徑是/predict。

@app.route('/predict', methods=['GET','POST'])
def predict():
    results = {"prediction" :"Empty", "probability" :{}}

    input_img = BytesIO(base64.urlsafe_b64decode(request.form['img']))

    res =  model.predict(input_img)
    return json.dumps(results)

請求過程

預設主頁是通過模板渲染的，在index.js中定義了兩個核心函式：

  1. onRecognition函式通過Ajax向/predict API路由傳送POST請求，請求中封裝了要識別的圖片，然後獲取模型預測結果。
// post data to server for recognition
function onRecognition() {
    $.ajax({
            url: './predict',
            type:'POST',
            data : {img : cvsIn.toDataURL("image/png").replace('data:image/png;base64,','') },

        }).done(function(data) {
            showResult(JSON.parse(data))
        })
}
  1. showResult函式把結果渲染出來。
function showResult(resultJson){
    // show predict digit
    divOut.textContent = resultJson.prediction;
    // show probability
    document.getElementById("probStr").innerHTML =
        "Probability : " + resultJson.probability.toFixed(2) + "%";
}

總結

這個專案麻雀雖小，五臟俱全。可以幫助非演算法類程式設計師一窺ML從建模到上線部署整個流程，透過火爆的趨勢看清本質。

文章持續更新，可以微信搜尋「 機器學習與系統 」閱讀最新內容，回覆資料、內推、考研獲取我為你準備的驚喜~

相關文章