如何使用Flask輕松部署機(jī)器學(xué)習(xí)模型？
譯文
【51CTO.com快譯】數(shù)據(jù)科學(xué)家/機(jī)器學(xué)習(xí)工程師使用Scikit-Learn、TensorFlow、Keras或PyTorch等開發(fā)機(jī)器學(xué)習(xí)模型時(shí)，最終目標(biāo)是將其部署到生產(chǎn)環(huán)境。從事機(jī)器學(xué)習(xí)項(xiàng)目時(shí)，我們常常過于關(guān)注探索性數(shù)據(jù)分析(EDA)、特征工程和超參數(shù)調(diào)整等，卻往往忘了主要目標(biāo)：從模型預(yù)測中提取實(shí)際價(jià)值。
部署機(jī)器學(xué)習(xí)模型或?qū)⒛Ｐ筒渴鸬缴a(chǎn)環(huán)境意味著將模型提供給最終用戶或系統(tǒng)。然而，部署機(jī)器學(xué)習(xí)模型存在復(fù)雜性。本文旨在讓你開始使用Flask API將經(jīng)過訓(xùn)練的機(jī)器學(xué)習(xí)模型部署到生產(chǎn)環(huán)境。
我將利用線性回歸，使用利率和前兩個(gè)月的銷售額來預(yù)測第三個(gè)月的銷售額。
什么是線性回歸?
線性回歸模型的目的是找到一個(gè)或多個(gè)特征(獨(dú)立變量)與連續(xù)目標(biāo)變量(獨(dú)立變量)之間的關(guān)系。如果只有特征，名為單變量線性回歸;如果有多個(gè)特征，名為多變量線性回歸。
線性回歸假設(shè)
線性回歸模型可用下列方程式加以表示：
- Y是預(yù)測值
- θ₀是偏項(xiàng)。
- θ₁，…，θn是模型參數(shù)
- x 1，x 2，…，x n是特征值。
圖1. 線性回歸圖解
為什么使用Flask?
- 易于使用。
- 內(nèi)置的開發(fā)服務(wù)器和調(diào)試器。
- 集成的單元測試支持。
- 充分利用REST的請(qǐng)求分派。
- 豐富的說明文檔。
項(xiàng)目結(jié)構(gòu)
該項(xiàng)目有四個(gè)部分：
- model.py——這包含機(jī)器學(xué)習(xí)模型基于頭兩個(gè)月的銷售額預(yù)測第三個(gè)月銷售額的代碼。
- app.py——這包含通過GUI或API調(diào)用接收銷售明細(xì)，基于我們的模型計(jì)算預(yù)測值并返回的Flask API。
- request.py —這使用請(qǐng)求模塊來調(diào)用app.py中定義的API，并顯示返回值。
- HTML/CSS——這包含讓用戶可以輸入銷售明細(xì)并顯示第三個(gè)月預(yù)測銷售額的HTML模板和CSS樣式。
圖2. 部署機(jī)器學(xué)習(xí)模型的管道
環(huán)境和工具
- scikit-learn
- pandas
- numpy
- flask
代碼在哪里?
不妨先從代碼開始入手。Github上的整個(gè)項(xiàng)目可以在這里(https://github.com/abhinavsagar/Machine-Learning-Deployment-Tutorials)找到。
先從使用HTML構(gòu)建前端以便用戶輸入值入手。用戶需要填三個(gè)字段：利率、第一個(gè)月的銷售額和第二個(gè)月的銷售額。
- <!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 style="background: #000;">
- <div class="login">
- <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" class="btn btn-primary btn-block btn-large">Predict sales in third month</button>
- </form>
- <br>
- <br>
- {{ prediction_text }}
- </div>
- </body>
- </html>
接下來我使用CSS，為輸入按鈕、登錄按鈕和背景構(gòu)建一些樣式。
- @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;
- }
- view rawstyle.css hosted with ❤ by GitHub
- >
我為這個(gè)項(xiàng)目創(chuàng)建了自定義銷售數(shù)據(jù)集，它有四列：利率、第一個(gè)月的銷售額、第二個(gè)月的銷售額和第三個(gè)月的銷售額。
|
rate |
sales_in_first_month |
sales_in_second_month |
sales_in_third_month |
|
|
2 |
500 |
300 |
||
|
4 |
300 |
650 |
||
|
four |
600 |
200 |
400 |
|
|
nine |
450 |
320 |
650 |
|
|
seven |
600 |
250 |
350 |
|
|
five |
550 |
200 |
700 |
view rawsales.csv hosted with ❤ by GitHub
現(xiàn)在，不妨構(gòu)建一個(gè)機(jī)器學(xué)習(xí)模型來預(yù)測第三個(gè)月的銷售額。首先，不妨使用Pandas處理缺失的值。如果沒有為一個(gè)或多個(gè)項(xiàng)提供任何信息，數(shù)據(jù)會(huì)丟失。如果未提供值，我將在利率這列填充零，將在第一個(gè)月的銷售額這列填充該列的平均值。我使用線性回歸作為機(jī)器學(xué)習(xí)算法。
序列化/反序列化
簡而言之，序列化是一種在磁盤上寫入Python對(duì)象(對(duì)象可以傳輸?shù)饺魏蔚胤?，以后由Python腳本反序列化(讀回)的方法。
圖3. 序列化和反序列化
我使用pickling將Python對(duì)象這種形式的模型轉(zhuǎn)換成字符流。其想法是，該字符流含有用另一個(gè)Python腳本重新構(gòu)建對(duì)象必需的所有信息。
- 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]]))
- view rawmodel.py hosted with ❤ by GitHub
下一個(gè)部分是構(gòu)建這樣一個(gè)API：通過GUI收到銷售明細(xì)后，基于我們的模型來計(jì)算預(yù)測的銷售額。為此，我反序列了Python對(duì)象這種形式的pickled模型。我使用index.html設(shè)置主頁面。一旦使用POST將表單值提交給/predict，我們就獲得了預(yù)測銷售額。
只要對(duì)/results提出另一個(gè)POST請(qǐng)求，即可顯示結(jié)果。它收到JSON輸入，使用經(jīng)過訓(xùn)練的模型來進(jìn)行預(yù)測，并返回使用JSON格式的該預(yù)測，它可通過API端點(diǎn)來訪問。
- 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)
- view rawapp.py hosted with ❤ by GitHub
最后，我使用請(qǐng)求模塊來調(diào)用app.py中定義的APP。它顯示了第三個(gè)月的返回銷售額。
- 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())
- view rawrequest.py hosted with ❤ by GitHub
結(jié)果
使用該命令運(yùn)行這個(gè)Web應(yīng)用程序。
- $ python app.py
圖4
在Web瀏覽器中打開http://127.0.0.1:5000/，應(yīng)該會(huì)出現(xiàn)如下所示的GUI。
圖5. 圖形用戶界面
結(jié)束語
本文演示了部署機(jī)器學(xué)習(xí)模型的一個(gè)很簡單的方法。我利用線性回歸，使用利率和前兩個(gè)月的銷售額來預(yù)測第三個(gè)月的銷售額。你可以利用本文中學(xué)到的知識(shí)構(gòu)建一些很酷的模型，并將它們部署到生產(chǎn)環(huán)境中，以便別人享受到成果。
原文標(biāo)題：How to Easily Deploy Machine Learning Models Using Flask，作者：Abhinav Sagar
【51CTO譯稿，合作站點(diǎn)轉(zhuǎn)載請(qǐng)注明原文譯者和出處為51CTO.com】
