[[283211]]

照片由 Franck V 發(fā)布在 Unsplash 上

本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請至雷鋒網(wǎng)官網(wǎng)申請授權(quán)。

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言進(jìn)行預(yù)測。沒錯，你可以堅(jiān)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(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(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 Flask 
pip 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(gè)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(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 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(gè)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?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(gè)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(yùn)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(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！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(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 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

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。

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(qiáng)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(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