[[283211]]

照片由 Franck V 發布在 Unsplash 上

本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。

閱讀本文后，你將能夠部署機器學習模型，并用你想要的編程語言進行預測。沒錯，你可以堅持使用 Python，也可以通過 Java 或 Kotlin 直接在你的 Android 應用程序中進行預測。另外，你可以直接在你的 web 應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模型放到一個實時服務器上，因為選擇太多了。該模型將在你的本地主機上運行，因此，你將無法從不同的網絡訪問它（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

如果你已經通過 Anaconda 安裝了 Python，那么你可能已經預先安裝了所有庫，除了 Flask。因此，啟動終端并執行以下語句：

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。

制作基本預測腳本

如果您正在遵循目錄結構，那么現在應該打開 model/Train.py 文件。你先要加載虹膜數據集，并使用一個簡單的決策樹分類器來訓練模型。訓練完成后，我將使用 joblib 庫保存模型，并將精度分數報告給用戶。

這里并不復雜，因為機器學習不是本文的重點，這里只是模型部署。下面是整個腳本：

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

現在你可以打開 app.py 文件并執行一些導入操作。你需要操作系統模塊：Flask 和 Flask RESTful 中的一些東西，它們是 10 秒前創建的模型訓練腳本，你還要將它們和 joblib 加載到訓練模型中：

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 中創建 Flask 和 Api 的實例。沒什么復雜的：

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，則應該首先對模型進行訓練。訓練完成后，可以通過 joblib 加載：

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

現在你需要聲明一個用于進行預測的類。Flask RESTful 使用此編碼約定，因此你的類將需要從 Flask RESTful 資源模塊繼承。在類中，可以聲明 get（）、post（）或任何其他處理數據的方法。

我們將使用 post（），因此數據不會直接通過 URL 傳遞。你需要從用戶輸入中獲取屬性（根據用戶輸入的屬性值進行預測）。然后，可以調用加載模型的 .predict（）函數。僅僅因為這個數據集的目標變量的格式是（0，1，2）而不是（'Iris-setosa'，'Iris versicolor'，'Iris virginica'），你還需要解決這個問題。最后，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！你還需要聲明一個路由，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 去調試模式運行應用程序：

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行預測。

為了防止你漏掉什么，這里是整個 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，你準備好了嗎？

不錯！導航到根目錄（app.py 就在根目錄中），啟動終端并執行以下操作： 

python app.py 

大約一秒鐘后，你將得到一個輸出，顯示應用程序正在本地主機上運行。

現在我將打開 Postman 并執行以下操作：

• 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

然后你可以點擊發送：

瞧！幾乎馬上你就能從你的模型中得到預測。

寫在最后

我希望你能看完這篇文章。如果你只是復制粘貼的所有內容，只要你安裝了所有必需的庫，那么應該就可以繼續。

我強烈建議你在自己的數據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序，并且使用 Python 只是為了數據和機器學習相關的東西，那么它就很有用了。

via：http://t.cn/AirsMxVF