寫在前面：最近在參與microsoft/ML-For-Beginners的翻譯活動，歡迎有興趣的朋友加入（https://github.com/microsoft/ML-For-Beginners/issues/71）

構(gòu)建使用ML模型的Web應(yīng)用程序

在本課中，你將在一個數(shù)據(jù)集上訓(xùn)練一個ML模型，這個數(shù)據(jù)集來自世界各地：過去一個世紀(jì)的UFO目擊事件，來源于NUFORC的數(shù)據(jù)庫。

你將學(xué)會：

• 如何“pickle”一個訓(xùn)練有素的模型

• 如何在Flask應(yīng)用程序中使用該模型

我們將繼續(xù)使用notebook來清理數(shù)據(jù)和訓(xùn)練我們的模型，但你可以進(jìn)一步探索在web應(yīng)用程序中使用模型。

為此，你需要使用Flask構(gòu)建一個web應(yīng)用程序。

課前測

構(gòu)建應(yīng)用程序

有多種方法可以構(gòu)建Web應(yīng)用程序以使用機(jī)器學(xué)習(xí)模型。你的web架構(gòu)可能會影響你的模型訓(xùn)練方式。想象一下，你在一家企業(yè)工作，其中數(shù)據(jù)科學(xué)小組已經(jīng)訓(xùn)練了他們希望你在應(yīng)用程序中使用的模型。

注意事項(xiàng)

你需要問很多問題：

• **它是web應(yīng)用程序還是移動應(yīng)用程序？**如果你正在構(gòu)建移動應(yīng)用程序或需要在物聯(lián)網(wǎng)環(huán)境中使用模型，你可以使用TensorFlow Lite并在Android或iOS應(yīng)用程序中使用該模型。

• **模型放在哪里？**在云端還是本地？

• 離線支持。該應(yīng)用程序是否必須離線工作？

• **使用什么技術(shù)來訓(xùn)練模型？**所選的技術(shù)可能會影響你需要使用的工具。

• • 使用Tensor flow。例如，如果你正在使用TensorFlow訓(xùn)練模型，則該生態(tài)系統(tǒng)提供了使用TensorFlow.js轉(zhuǎn)換TensorFlow模型以便在Web應(yīng)用程序中使用的能力。

  • 使用 PyTorch。如果你使用PyTorch等庫構(gòu)建模型，則可以選擇將其導(dǎo)出到ONNX（開放神經(jīng)網(wǎng)絡(luò)交換)格式，用于可以使用 Onnx Runtime的JavaScript Web 應(yīng)用程序。此選項(xiàng)將在Scikit-learn-trained模型的未來課程中進(jìn)行探討。

  • 使用Lobe.ai或Azure自定義視覺。如果你使用ML SaaS（軟件即服務(wù)）系統(tǒng)，例如Lobe.ai或[Azure Custom Vision](https://azure.microsoft.com/services/ cognitive-services/custom-vision-service/?WT.mc_id=academic-15963-cxa)來訓(xùn)練模型，這種類型的軟件提供了為許多平臺導(dǎo)出模型的方法，包括構(gòu)建一個定制API，供在線應(yīng)用程序在云中查詢。

你還有機(jī)會構(gòu)建一個完整的Flask Web應(yīng)用程序，該應(yīng)用程序能夠在 Web瀏覽器中訓(xùn)練模型本身。這也可以在JavaScript上下文中使用 TensorFlow.js來完成。

出于我們的目的，既然我們一直在使用基于Python的notebook，那么就讓我們探討一下將經(jīng)過訓(xùn)練的模型從notebook導(dǎo)出為Python構(gòu)建的web應(yīng)用程序可讀的格式所需要采取的步驟。

工具

對于此任務(wù)，你需要兩個工具：Flask和Pickle，它們都在Python上運(yùn)行。

? 什么是 Flask？Flask被其創(chuàng)建者定義為“微框架”，它提供了使用Python和模板引擎構(gòu)建網(wǎng)頁的Web框架的基本功能。看看本學(xué)習(xí)單元練習(xí)使用Flask構(gòu)建應(yīng)用程序。

? 什么是Pickle？Pickle????是一 Python模塊，用于序列化和反序列化 Python對象結(jié)構(gòu)。當(dāng)你“pickle”一個模型時，你將其結(jié)構(gòu)序列化或展平以在 Web上使用。小心：pickle本質(zhì)上不是安全的，所以如果提示“un-pickle”文件，請小心。生產(chǎn)的文件具有后綴.pkl。

練習(xí) - 清理你的數(shù)據(jù)

在本課中，你將使用由 NUFORC（國家 UFO 報(bào)告中心）收集的80,000次UFO目擊數(shù)據(jù)。這些數(shù)據(jù)對UFO目擊事件有一些有趣的描述，例如：

• 詳細(xì)描述。"一名男子從夜間照射在草地上的光束中出現(xiàn)，他朝德克薩斯儀器公司的停車場跑去"。

• 簡短描述。“燈光追著我們”。

ufos.csv電子表格包括有關(guān)目擊事件發(fā)生的city、state和country、對象的shape及其latitude和longitude的列。

在包含在本課中的空白notebook中：

像在之前的課程中一樣導(dǎo)入pandas、matplotlib和numpy，然后導(dǎo)入ufos電子表格。你可以查看一個示例數(shù)據(jù)集：

import?pandas?as?pd import?numpy?as?npufos?=?pd.read_csv('../data/ufos.csv') ufos.head()

將ufos數(shù)據(jù)轉(zhuǎn)換為帶有新標(biāo)題的小dataframe。檢查country字段中的唯一值。

ufos?=?pd.DataFrame({'Seconds':?ufos['duration?(seconds)'],?'Country':?ufos['country'],'Latitude':?ufos['latitude'],'Longitude':?ufos['longitude']})ufos.Country.unique()

現(xiàn)在，你可以通過刪除任何空值并僅導(dǎo)入1-60秒之間的目擊數(shù)據(jù)來減少我們需要處理的數(shù)據(jù)量：

ufos.dropna(inplace=True)ufos?=?ufos[(ufos['Seconds']?>=?1)?&?(ufos['Seconds']?<=?60)]ufos.info()

導(dǎo)入Scikit-learn的LabelEncoder庫，將國家的文本值轉(zhuǎn)換為數(shù)字：

? LabelEncoder按字母順序編碼數(shù)據(jù)

from?sklearn.preprocessing?import?LabelEncoderufos['Country']?=?LabelEncoder().fit_transform(ufos['Country'])ufos.head()

你的數(shù)據(jù)應(yīng)如下所示：

Seconds Country Latitude Longitude 2 20.0 3 53.200000 -2.916667 3 20.0 4 28.978333 -96.645833 14 30.0 4 35.823889 -80.253611 23 60.0 4 45.582778 -122.352222 24 3.0 3 51.783333 -0.783333

練習(xí) - 建立你的模型

現(xiàn)在，你可以通過將數(shù)據(jù)劃分為訓(xùn)練和測試組來準(zhǔn)備訓(xùn)練模型。

選擇要訓(xùn)練的三個特征作為X向量，y向量將是Country 你希望能夠輸入Seconds、Latitude和Longitude并獲得要返回的國家/地區(qū)ID。

from?sklearn.model_selection?import?train_test_splitSelected_features?=?['Seconds','Latitude','Longitude']X?=?ufos[Selected_features] y?=?ufos['Country']X_train,?X_test,?y_train,?y_test?=?train_test_split(X,?y,?test_size=0.2,?random_state=0)

使用邏輯回歸訓(xùn)練模型：

from?sklearn.metrics?import?accuracy_score,?classification_report? from?sklearn.linear_model?import?LogisticRegression model?=?LogisticRegression() model.fit(X_train,?y_train) predictions?=?model.predict(X_test)print(classification_report(y_test,?predictions)) print('Predicted?labels:?',?predictions) print('Accuracy:?',?accuracy_score(y_test,?predictions))

準(zhǔn)確率還不錯**（大約 95%）**，不出所料，因?yàn)镃ountry和Latitude/Longitude相關(guān)。

你創(chuàng)建的模型并不是非常具有革命性，因?yàn)槟銘?yīng)該能夠從其Latitude和Longitude推斷出Country，但是，嘗試從清理、導(dǎo)出的原始數(shù)據(jù)進(jìn)行訓(xùn)練，然后在web應(yīng)用程序中使用此模型是一個很好的練習(xí)。

練習(xí) - “pickle”你的模型

現(xiàn)在，是時候_pickle_你的模型了！你可以在幾行代碼中做到這一點(diǎn)。一旦它是 pickled，加載你的pickled模型并針對包含秒、緯度和經(jīng)度值的示例數(shù)據(jù)數(shù)組對其進(jìn)行測試，

import?pickle model_filename?=?'ufo-model.pkl' pickle.dump(model,?open(model_filename,'wb'))model?=?pickle.load(open('ufo-model.pkl','rb')) print(model.predict([[50,44,-12]]))

該模型返回**'3'**，這是英國的國家代碼。????

練習(xí) - 構(gòu)建Flask應(yīng)用程序

現(xiàn)在你可以構(gòu)建一個Flask應(yīng)用程序來調(diào)用你的模型并返回類似的結(jié)果，但以一種更美觀的方式。

首先在你的 ufo-model.pkl 文件所在的_notebook.ipynb_文件旁邊創(chuàng)建一個名為web-app的文件夾。

在該文件夾中創(chuàng)建另外三個文件夾：static，其中有文件夾css和templates`。你現(xiàn)在應(yīng)該擁有以下文件和目錄

web-app/static/css/templates/ notebook.ipynb ufo-model.pkl

? 請參閱解決方案文件夾以查看已完成的應(yīng)用程序

在_web-app_文件夾中創(chuàng)建的第一個文件是requirements.txt文件。與JavaScript應(yīng)用程序中的_package.json_一樣，此文件列出了應(yīng)用程序所需的依賴項(xiàng)。在requirements.txt中添加以下幾行：

scikit-learn pandas numpy flask

現(xiàn)在，進(jìn)入web-app文件夾：

cd?web-app

在你的終端中輸入pip install，以安裝_reuirements.txt_中列出的庫：

pip?install?-r?requirements.txt

現(xiàn)在，你已準(zhǔn)備好創(chuàng)建另外三個文件來完成應(yīng)用程序：

在根目錄中創(chuàng)建app.py

在_templates_目錄中創(chuàng)建index.html。

在_static/css_目錄中創(chuàng)建styles.css。

使用一些樣式構(gòu)建_styles.css_文件：

body?{width:?100%;height:?100%;font-family:?'Helvetica';background:?black;color:?#fff;text-align:?center;letter-spacing:?1.4px;font-size:?30px; }input?{min-width:?150px; }.grid?{width:?300px;border:?1px?solid?#2d2d2d;display:?grid;justify-content:?center;margin:?20px?auto; }.box?{color:?#fff;background:?#2d2d2d;padding:?12px;display:?inline-block; }

接下來，構(gòu)建_index.html_文件：

<!DOCTYPE?html> <html> <head><meta?charset="UTF-8"><title>?????UFO?Appearance?Prediction!?????</title><link?rel="stylesheet"?href="{{?url_for('static',?filename='css/styles.css')?}}">? </head><body><div?class="grid"><div?class="box"><p>According?to?the?number?of?seconds,?latitude?and?longitude,?which?country?is?likely?to?have?reported?seeing?a?UFO?</p><form?action="{{?url_for('predict')}}"?method="post"><input?type="number"?name="seconds"?placeholder="Seconds"?required="required"?min="0"?max="60"?/><input?type="text"?name="latitude"?placeholder="Latitude"?required="required"?/><input?type="text"?name="longitude"?placeholder="Longitude"?required="required"?/><button?type="submit"?class="btn">Predict?country?where?the?UFO?is?seen</button></form><p>{{?prediction_text?}}</p></div> </div></body> </html>

看看這個文件中的模板。請注意應(yīng)用程序?qū)⑻峁┑淖兞恐車摹癿ustache”語法，例如預(yù)測文本：{{}}。還有一個表單可以將預(yù)測發(fā)布到/predict路由。

最后，你已準(zhǔn)備好構(gòu)建使用模型和顯示預(yù)測的python 文件：

在app.py中添加:

import?numpy?as?np from?flask?import?Flask,?request,?render_template import?pickleapp?=?Flask(__name__)model?=?pickle.load(open("../ufo-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?=?prediction[0]countries?=?["Australia",?"Canada",?"Germany",?"UK",?"US"]return?render_template("index.html",?prediction_text="Likely?country:?{}".format(countries[output]))if?__name__?==?"__main__":app.run(debug=True)

???? 提示：當(dāng)你在使用Flask運(yùn)行Web應(yīng)用程序時添加 debug=True時你對應(yīng)用程序所做的任何更改將立即反映，無需重新啟動服務(wù)器。注意！不要在生產(chǎn)應(yīng)用程序中啟用此模式

如果你運(yùn)行python app.py或python3 app.py - 你的網(wǎng)絡(luò)服務(wù)器在本地啟動，你可以填寫一個簡短的表格來回答你關(guān)于在哪里看到UFO的問題！

在此之前，先看一下app.py的實(shí)現(xiàn)：

首先，加載依賴項(xiàng)并啟動應(yīng)用程序。

然后，導(dǎo)入模型。

然后，在home路由上渲染index.html。

在/predict路由上，當(dāng)表單被發(fā)布時會發(fā)生幾件事情：

收集表單變量并轉(zhuǎn)換為numpy數(shù)組。然后將它們發(fā)送到模型并返回預(yù)測。

我們希望顯示的國家/地區(qū)根據(jù)其預(yù)測的國家/地區(qū)代碼重新呈現(xiàn)為可讀文本，并將該值發(fā)送回index.html以在模板中呈現(xiàn)。

以這種方式使用模型，包括Flask和pickled模型，是相對簡單的。最困難的是要理解數(shù)據(jù)是什么形狀的，這些數(shù)據(jù)必須發(fā)送到模型中才能得到預(yù)測。這完全取決于模型是如何訓(xùn)練的。有三個數(shù)據(jù)要輸入，以便得到一個預(yù)測。

在一個專業(yè)的環(huán)境中，你可以看到訓(xùn)練模型的人和在Web或移動應(yīng)用程序中使用模型的人之間的良好溝通是多么的必要。在我們的情況下，只有一個人，你！

---

???? 挑戰(zhàn):

你可以在Flask應(yīng)用程序中訓(xùn)練模型，而不是在notebook上工作并將模型導(dǎo)入Flask應(yīng)用程序！嘗試在notebook中轉(zhuǎn)換Python代碼，可能是在清除數(shù)據(jù)之后，從應(yīng)用程序中的一個名為train的路徑訓(xùn)練模型。采用這種方法的利弊是什么？

課后測

復(fù)習(xí)與自學(xué)

有很多方法可以構(gòu)建一個Web應(yīng)用程序來使用ML模型。列出可以使用JavaScript或Python構(gòu)建Web應(yīng)用程序以利用機(jī)器學(xué)習(xí)的方法。考慮架構(gòu)：模型應(yīng)該留在應(yīng)用程序中還是存在于云中？如果是后者，你將如何訪問它？為應(yīng)用的ML Web解決方案繪制架構(gòu)模型。

任務(wù)

嘗試不同的模型

總結(jié)

以上是生活随笔為你收集整理的微软面向初学者的机器学习课程：3.1-构建使用ML模型的Web应用程序的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。