害怕部署机器学习模型？这里有一篇手把手教程

照片由 Franck V 发布在 Unsplash 上

阅读本文后，你将能够部署机器学习模型，并用你想要的编程语言进行预测。没错，你可以坚持使用 Python，也可以通过 Java 或 Kotlin 直接在你的 Android 应用程序中进行预测。另外，你可以直接在你的 web 应用程序中使用该模型——你有很多很多选择。为了简单起见，我会用 Postman。

不过，我不会解释如何将这个模型放到一个实时服务器上，因为选择太多了。该模型将在你的本地主机上运行，因此，你将无法从不同的网络访问它（但请随意使用 google 查询如何将模型部署到 AWS 或类似的东西上）。

我已经做了以下目录结构：

ML 部署：

• model / Train.py

• app.py

如果你已经通过 Anaconda 安装了 Python，那么你可能已经预先安装了所有库，除了 Flask。因此，启动终端并执行以下语句：

pip install Flask
pip install Flask-RESTful

进展是不是很顺利？很好，现在让我们来看看好东西。

制作基本预测脚本

如果您正在遵循目录结构，那么现在应该打开 model/Train.py 文件。你先要加载虹膜数据集，并使用一个简单的决策树分类器来训练模型。训练完成后，我将使用 joblib 库保存模型，并将精度分数报告给用户。

这里并不复杂，因为机器学习不是本文的重点，这里只是模型部署。下面是整个脚本：

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

现在你可以打开 app.py 文件并执行一些导入操作。你需要操作系统模块：Flask 和 Flask RESTful 中的一些东西，它们是 10 秒前创建的模型训练脚本，你还要将它们和 joblib 加载到训练模型中：

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

现在你应该从 Flask RESTful 中创建 Flask 和 Api 的实例。没什么复杂的：

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

接下来要做的是检查模型是否已经训练好了。在 Train.py 中，你已经声明该模型将保存在文件  iris-model.model 文件中，并且如果该文件不存在，则应该首先对模型进行训练。训练完成后，可以通过 joblib 加载：

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

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

现在你需要声明一个用于进行预测的类。Flask RESTful 使用此编码约定，因此你的类将需要从 Flask RESTful 资源模块继承。在类中，可以声明 get（）、post（）或任何其他处理数据的方法。

我们将使用 post（），因此数据不会直接通过 URL 传递。你需要从用户输入中获取属性（根据用户输入的属性值进行预测）。然后，可以调用加载模型的 .predict（）函数。仅仅因为这个数据集的目标变量的格式是（0，1，2）而不是（'Iris-setosa'，'Iris versicolor'，'Iris virginica'），你还需要解决这个问题。最后，你可以返回预测的 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
       })

我们就快完成了，加油！你还需要声明一个路由，URL 的一部分将用于处理请求：

api.add_resource(MakePrediction, '/predict')

最后一件事是告诉 Python 去调试模式运行应用程序：

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

这样做就对了。你可以通过 Postman 或其他工具启动模型并进行预测。

为了防止你漏掉什么，这里是整个 app.py 文件，你可以参考：

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，你准备好了吗？

不错！导航到根目录（app.py 就在根目录中），启动终端并执行以下操作：

python app.py

大约一秒钟后，你将得到一个输出，显示应用程序正在本地主机上运行。

现在我将打开 Postman 并执行以下操作：

• 将方法更改为 POST

• 输入 localhost:5000/predict 作为 URL

• 在 Body 选项卡中选择 JSON

• 输入一些 JSON 进行预测

然后你可以点击发送：

瞧！几乎马上你就能从你的模型中得到预测。

写在最后

我希望你能看完这篇文章。如果你只是复制粘贴的所有内容，只要你安装了所有必需的库，那么应该就可以继续。

我强烈建议你在自己的数据集和业务问题上利用这些新获得的知识。如果你用 Python 以外的语言编写应用程序，并且使用 Python 只是为了数据和机器学习相关的东西，那么它就很有用了。

via：http://t.cn/AirsMxVF 

雷锋网版权文章，未经授权禁止转载。详情见。