devbox
Gausst松鼠会
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

独家 | 手把手教你如何使用Flask轻松部署机器学习模型（附代码&链接）

作者：Gausst松鼠会 | 2024-04-06 13:32:44

赞

踩

flask api在线部署tensorflow模型的示例代码
640?wx_fmt=png
作者：Abhinav Sagar
翻译： 申利彬
校对： 吴金笛
本文约 2700字 ，建议阅读 7分钟 。

本文可以让你把训练好的机器学习模型使用Flask API 投入生产环境。


本文旨在让您把训练好的机器学习模型通过Flask API 投入到生产环境 。

当数据科学或者机器学习工程师使用Scikit-learn、Tensorflow、Keras 、PyTorch等框架部署机器学习模型时，最终的目的都是使其投入生产。通常，我们在做机器学习项目的过程中，将注意力集中在数据分析，特征工程，调整参数等方面。但是，我们往往会忘记主要目标，即从模型预测结果中获得实际的价值。

部署机器学习模型或者将模型投入生产，意味着将模型提供给最终的用户或系统使用。

然而机器学习模型部署具有一定的复杂性，本文可以让你把训练好的机器学习模型使用Flask API 投入生产环境。

我将使用线性回归，通过利率和前两个月的销售额来预测第三个月的销售额。

线性回归是什么？

线性回归模型的目标是找出一个或多个特征（自变量）和一个连续目标变量（因变量）之间的关系。如果只有一个特征，则称为单变量线性回归；如果有多个特征，则称为多元线性回归。

线性回归的假设

线性回归模型可以用下面的等式表示：

640?wx_fmt=png

640?wx_fmt=png

640?wx_fmt=png

线性回归图解

为什么使用Flask？

  • 容易上手使用

  • 内置开发工具和调试工具

  • 集成单元测试功能

  • 平稳的请求调度

  • 详尽的文档


项目结构

这个项目分为四个部分：

1. model.py -- 包含机器学习模型的代码，用于根据前两个月的销售额预测第三个月的销售额。
2. app.py – 包含用于从图形用户界面(GUI)或者API调用获得详细销售数据的Flask API，Flask API根据我们的模型计算预测值并返回。
3. request.py -- 使用requests模块调用app.py中定义的API并显示返回值。
4. HTML/CSS – 包含HTML模板和CSS风格代码，允许用户输入销售细节并显示第三个月的预测值。

640?wx_fmt=png

部署机器学习模型的Pipeline

环境和工具

1. Scikit-learn
2. Pandas
3. Numpy
4. Flask

代码在哪里呢？

从代码开始，完整的项目可以在github上找到 （https://github.com/abhinavsagar/Machine-Learning-Deployment-Tutorials）。

我们使用HTML构建前端，让用户输入数据。这里有三个区域需要用户去填写—利率，第一个月的销售额以及第二个月的销售额。 

  1. <!DOCTYPE html>	
  2. <html ><head> 	
  3.  <meta charset="UTF-8"> 	
  4.   <title>Deployment Tutorial 1</title> 	
  5.    <link href='https://fonts.googleapis.com/css?family=Pacifico' rel='stylesheet' type='text/css'>	
  6.    <link href='https://fonts.googleapis.com/css?family=Arimo' rel='stylesheet' type='text/css'>	
  7.    <link href='https://fonts.googleapis.com/css?family=Hind:300' rel='stylesheet' type='text/css'>	
  8.    <link href='https://fonts.googleapis.com/css?family=Open+Sans+Condensed:300' rel='stylesheet' type='text/css'>	
  9.    <link rel="stylesheet" href="{{ url_for('static', filename='css/style.css') }}"></head><body >	
  10.     <div><h1>Sales Forecasting	
  11.     </h1>    	
  12.      <!-- Main Input For Receiving Query to our ML -->   	
  13.       <form action="{{ url_for('predict')}}"method="post">	
  14.           <input type="text" name="rate" placeholder="rate" required="required" /> 	
  15.                  <input type="text" name="sales in first month" placeholder="sales in first month" required="required" />	
  16.                  <input type="text" name="sales in second month" placeholder="sales in second month" required="required" />    	
  17.                      <button type="submit" class="btn btn-primary btn-block btn-large">Predict sales in third month</button> 	
  18.                         </form> 	
  19.                           <br> 	
  20.                             <br>   {{ prediction_text }} 	
  21.                             </div>	
  22.                             </body>	
  23.                             </html>

接下来，使用CSS对输入按钮、登录按钮和背景进行了一些样式设置。

  1. @import url(https://fonts.googleapis.com/css?family=Open+Sans);	
  2. html { width: 100%; height:100%; overflow:hidden; 	
  3. }body {width: 100%;height:100%;font-family: 'Helvetica';background: #000;	
  4. color: #fff;	
  5. font-size: 24px;	
  6. text-align:center;	
  7. letter-spacing:1.4px;}.login {position: absolute;	
  8. top: 40%;	
  9. left: 50%;	
  10. margin: -150px 0 0 -150px;	
  11. width:400px;	
  12. height:400px;}

  1. login h1 { color: #fff; 	
  2. text-shadow: 0 0 10px rgba(0,0,0,0.3);	
  3.  letter-spacing:1px;	
  4.   text-align:center; 	
  5.   }input {width: 100%;	
  6.   margin-bottom: 10px;	
  7.   background: rgba(0,0,0,0.3);	
  8.   border: none;	
  9.   outline: none;	
  10.   padding: 10px;	
  11.   font-size: 13px;	
  12.   color: #fff;	
  13.   text-shadow: 1px 1px 1px rgba(0,0,0,0.3);	
  14.   border: 1px solid rgba(0,0,0,0.3);	
  15.   border-radius: 4px;	
  16.   box-shadow: inset 0 -5px 45px rgba(100,100,100,0.2), 0 1px 1px rgba(255,255,255,0.2);	
  17.   -webkit-transition: box-shadow .5s ease;	
  18.   -moz-transition: box-shadow .5s ease;	
  19.   -o-transition: box-shadow .5s ease;	
  20.   -ms-transition: box-shadow .5s ease;	
  21.   transition: box-shadow .5s ease;	
  22.   }

我为这个项目创建了一个定制的销售数据集，它有四列——利率、第一个月的销售额、第二个月的销售额和第三个月的销售额。

640?wx_fmt=png


我们现在构建一个机器学习模型来预测第三个月的销售额。首先使用Pandas解决缺失值问题，当一项或多项指标没有信息时，就会有缺失值发生。使用0填充利率这一列的缺失值，平均值填充第一个月销售额中的缺失值，采用线性回归的机器学习算法。

序列化和反序列化

简而言之，序列化是一种在磁盘上写入python对象的方法，该对象可以传输到任何地方，然后通过python脚本反序列化（读）回去。

640?wx_fmt=png

序列化 反序列化

使用Pickling将是python对象形式的模型转为字符流形式，其思想是这个字符流中包含了在另一个python脚本中重建这个对象所需的所有信息。 

  1. import numpy as np	
  2. import matplotlib.pyplot as plt	
  3. import pandas as pd	
  4. import pickle	
  5. dataset = pd.read_csv('sales.csv')	
  6. dataset['rate'].fillna(0, inplace=True)	
  7. dataset['sales_in_first_month'].fillna(dataset['sales_in_first_month'].mean(), inplace=True)	
  8. X = dataset.iloc[:, :3]	
  9. def convert_to_int(word):	
  10.     word_dict = {'one':1, 'two':2, 'three':3, 'four':4, 'five':5, 'six':6, 'seven':7, 'eight':8,	
  11.                 'nine':9, 'ten':10, 'eleven':11, 'twelve':12, 'zero':0, 0: 0}	
  12.     return word_dict[word]	
  13. X['rate'] = X['rate'].apply(lambda x : convert_to_int(x))	
  14. y = dataset.iloc[:, -1]	
  15. from sklearn.linear_model import LinearRegression	
  16. regressor = LinearRegression()	
  17.  
  18. 	
  19. regressor.fit(X, y)	
  20. pickle.dump(regressor, open('model.pkl','wb'))	
  21. model = pickle.load(open('model.pkl','rb'))	
  22. print(model.predict([[4, 300, 500]]))

下一部分是构建一个API，反序列化这个模型为python对象格式，并通过图形用户界面(GUI)获取详细销售数据，根据模型计算预测值。我使用index.html设置主页，并在使用POST请求方式提交表单数据时，获取预测的销售值。

可以通过另一个POST请求将结果发送给results并展示出来。它接收JSON格式的输入，并使用训练好的模型预测出可以被API端点接受的JSON格式的预测值。 

  1. import numpy as np	
  2. from flask import Flask, request, jsonify, render_template	
  3. import pickle	
  4. app = Flask(__name__)model = pickle.load(open('model.pkl', 'rb'))	
  5. @app.route('/')	
  6. def home():  	
  7.   return render_template('index.html')	
  8.   @app.route('/predict',methods=['POST'])	
  9.   def predict(): 	
  10.      int_features = [int(x) for x in request.form.values()]	
  11.          final_features = [np.array(int_features)]  	
  12.            prediction = model.predict(final_features)	
  13.                output = round(prediction[0], 2) 	
  14.                   return render_template('index.html', prediction_text='Sales should	
  15.               be $ {}'.format(output))	
  16. @app.route('/results',methods=['POST'])	
  17. def results():	
  18.     data = request.get_json(force=True)	
  19.     prediction = model.predict([np.array(list(data.values()))])	
  20.     output = prediction[0]	
  21.     return jsonify(output)	
  22. if __name__ == "__main__":	
  23. app.run(debug=True)

最后使用requests模块调用在app.py中定义的APIs，它的结果是第三个月销售额的预测值。 

  1. import requests	
  2. url = 'http://localhost:5000/results'	
  3. r = requests.post(url,json={'rate':5, 	
  4. 'sales_in_first_month':200, 'sales_in_second_month':400})	
  5. print(r.json()) Results

使用下面的命令运行Web应用程序。

python app.py

640?wx_fmt=png


在web浏览器中打开http://127.0.1:5000/，将显示如下所示的GUI.

原文标题：
How to Easily Deploy Machine Learning Models Using Flask
原文链接：
https://www.kdnuggets.com/2019/10/easily-deploy-machine-learning-models-using-flask.html

编辑：王菁

校对：王欣

译者简介

640?wx_fmt=jpeg

和中华，留德软件工程硕士。由于对机器学习感兴趣，硕士论文选择了利用遗传算法思想改进传统kmeans。目前在杭州进行大数据相关实践。加入数据派THU希望为IT同行们尽自己一份绵薄之力，也希望结交许多志趣相投的小伙伴。

翻译组招募信息

工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。

你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。

其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。

点击文末“阅读原文”加入数据派团队~

转载须知

如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：datapi），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。

发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。

640?wx_fmt=jpeg

640?wx_fmt=jpeg

点击“阅读原文”拥抱组织

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Gausst松鼠会/article/detail/372194
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号