Press "Enter" to skip to content

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)

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

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。

 

线性回归是什幺?

 

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:

 

 

 

线性回归图解

 

为什幺使用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。

 

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。

 

<!DOCTYPE html>
<html ><head> 
 <meta charset="UTF-8"> 
  <title>Deployment Tutorial 1</title> 
   <link href='https://fonts.googleapis.com/css?family=Pacifico' rel='stylesheet' type='text/css'>
   <link href='https://fonts.googleapis.com/css?family=Arimo' rel='stylesheet' type='text/css'>
   <link href='https://fonts.googleapis.com/css?family=Hind:300' rel='stylesheet' type='text/css'>
   <link href='https://fonts.googleapis.com/css?family=Open+Sans+Condensed:300' rel='stylesheet' type='text/css'>
   <link rel="stylesheet" href="{{ url_for('static', filename='css/style.css') }}"></head><body>
    <div><h1>Sales Forecasting
    </h1>    
     <!-- Main Input For Receiving Query to our ML -->   
      <form action="{{ url_for('predict')}}"method="post">
          <input type="text" name="rate" placeholder="rate" required="required" /> 
                 <input type="text" name="sales in first month" placeholder="sales in first month" required="required" />
                 <input type="text" name="sales in second month" placeholder="sales in second month" required="required" />    
                     <button type="submit">Predict sales in third month</button> 
                        </form> 
                          <br> 
                            <br>   {{ prediction_text }} 
                            </div>
                            </body>
                            </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。

 

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

 

login h1 { color: #fff; 
text-shadow: 0 0 10px rgba(0,0,0,0.3);
 letter-spacing:1px;
  text-align:center; 
  }input {width: 100%;
  margin-bottom: 10px;
  background: rgba(0,0,0,0.3);
  border: none;
  outline: none;
  padding: 10px;
  font-size: 13px;
  color: #fff;
  text-shadow: 1px 1px 1px rgba(0,0,0,0.3);
  border: 1px solid rgba(0,0,0,0.3);
  border-radius: 4px;
  box-shadow: inset 0 -5px 45px rgba(100,100,100,0.2), 0 1px 1px rgba(255,255,255,0.2);
  -webkit-transition: box-shadow .5s ease;
  -moz-transition: box-shadow .5s ease;
  -o-transition: box-shadow .5s ease;
  -ms-transition: box-shadow .5s ease;
  transition: box-shadow .5s ease;
  }

 

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。

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。

 

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。

 

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import pickle
dataset = pd.read_csv('sales.csv')
dataset['rate'].fillna(0, inplace=True)
dataset['sales_in_first_month'].fillna(dataset['sales_in_first_month'].mean(), inplace=True)
X = dataset.iloc[:, :3]
def convert_to_int(word):
    word_dict = {'one':1, 'two':2, 'three':3, 'four':4, 'five':5, 'six':6, 'seven':7, 'eight':8,
                'nine':9, 'ten':10, 'eleven':11, 'twelve':12, 'zero':0, 0: 0}
    return word_dict[word]
X['rate'] = X['rate'].apply(lambda x : convert_to_int(x))
y = dataset.iloc[:, -1]
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()

regressor.fit(X, y)
pickle.dump(regressor, open('model.pkl','wb'))
model = pickle.load(open('model.pkl','rb'))
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。

 

import numpy as np
from flask import Flask, request, jsonify, render_template
import pickle
app = Flask(__name__)model = pickle.load(open('model.pkl', 'rb'))
@app.route('/')
def home():  
  return render_template('index.html')
  @app.route('/predict',methods=['POST'])
  def predict(): 
     int_features = [int(x) for x in request.form.values()]
         final_features = [np.array(int_features)]  
           prediction = model.predict(final_features)
               output = round(prediction[0], 2) 
                  return render_template('index.html', prediction_text='Sales should
              be $ {}'.format(output))
@app.route('/results',methods=['POST'])
def results():
    data = request.get_json(force=True)
    prediction = model.predict([np.array(list(data.values()))])
    output = prediction[0]
    return jsonify(output)
if __name__ == "__main__":
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。

 

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

 

使用下面的命令运行Web应用程序。

 

python app.py

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

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。