開工第一天，小伙伴們是不是還沒有從過年的狀態轉換過來？今天給大家介紹一個AI Studio新功能，能讓大家用自己訓練好的模型，輕松生成在線預測服務，通過在線API調用，而且是免費的哦~

大家是不是已經躍躍欲試了呢？那就快到AI Studio親自體驗一下吧。希望這個開年小“福利”，能幫助大家盡快找到開工的感覺。

經常登錄AI Studio的朋友可能早就發現——AI Studio改版了：

這次升級，AI Studio不光調整了前端頁面，還增加了不少新功能，其中就包含我們今天要說的在線部署及預測功能。

功能說明

在線部署與預測為開發者提供訓練模型向應用化API轉換的功能. 開發者在AI Studio平臺通過單機項目NoteBook頁面完成模型訓練后, 通過創建一個在線服務, 應用模型生成在線API, 使用該API可以直接檢驗模型效果或實際應用到開發者的私有項目中.目前, 該功能暫時僅對單機項目開放。

通過訓練任務生成模型文件

在訓練任務過程中, 通過調用paddle.fluid.io.save_inference_model`實現模型的保存，保存后的目錄需要可以被在線服務使用. 我們以房價預測的線性回歸任務為例, 具體代碼如下

使用已有模型, 可以通過

!wget

在Notebook中傳輸模型文件到環境目錄。以房價預測的線性回歸模型為例, 通過

!wget https://ai.baidu.com/file/4E1... -O fit_a_line.inference.model

傳輸文件, 解壓后直接被在線服務使用.

創建一個在線服務

完成模型訓練后, 在單機項目頁面點擊【創建預測服務】

第一步 選擇模型文件

勾選模型文件

設置主程序, 主程序為

paddle.fluid.io.save_inference_model

中參數

main_program

配置的程序, 在房價預測的示例中，我們使用默認參數調用

save_inference_model

, 因此將

model

文件設置為主程序.

第二步 確認輸入輸出

填寫模型的輸入輸出參數. 以房價預測的線性回歸模型為例(參數參考), 添加參數如下圖所示.

第三步 制作參數轉換器

參數轉換器幫助用戶轉化合法輸入并完成數據預處理.

方式一:自定義轉換器(Python2.7)(推薦).

輸入參數轉換器方法

輸出參數轉換器方法

轉換器代碼示例, 以房價預測為例.

輸入參數轉換器:

輸出參數轉換器:

方式二: 默認參數, 不設置轉換器.

用戶的API參數直接傳遞給模型.

第四步 沙盒部署

用戶可以同時部署之多五個沙盒服務, 用來對比模型優化結果.

錄入名稱點擊【生成沙盒】或者點擊【暫存】將沙盒保存到草稿箱.

測試沙盒服務

對沙盒列表中的沙盒服務進行測試，驗證是否配置正確。

第一步 點擊【測試】打開測試頁面

第二步 填寫json格式請求參數

第三步 點擊【發送】檢驗返回結果

部署在線服務

點擊【正式部署】部署線上API.

一個項目可以創建五個沙盒服務, 并選擇其中一個沙盒服務部署為線上服務.

沙盒服務如果連續超過24小時無調用將自動調整為暫停狀態.

線上服務如果連續超過14天無調用將自動調整為暫停狀態.

調用在線服務

依據API key、服務地址和用戶自定義參數, 實現對服務的調用.

請求方式

HTTP請求URL: [服務地址] [?] [apiKey=xxx]

HTTP請求方法: POST

HTTP Body: 用戶自定義參數

調用示例

以房價預測項目為例.

CURL

Python

總結

以上是生活随笔為你收集整理的开工的欲望 ｜ AI Studio上线新功能，用你的模型生成在线预测服务的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。