如何使用Flask轻松部署机器学习模型？_0

接下来我使用CSS为输入按钮、登录按钮和背景构建一些样式@importurl(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:-150px00-150px;width:400px;height:400px;}.loginh1{color:#fff;text-shadow:0010pxrgba(0,0,0,0.3);字母间距：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；颜色：#fff；文字阴影：1px1px1pxrgba(0,0,0,0.3)；边框：1pxsolidrgba(0,0,0,0.3)；边框半径：4px；框阴影：inset0-5px45pxrgba(100,100,100),0.2),01px1pxrgba(255,255,255,0.2);-webkit-transition:box-shadow.5sease;-moz-transition:box-shadow.5sease;-o-transition:box-shadow.5sease;-ms-transition:box-shadow.5sease;transition:box-shadow.5sease;}viewrawstyle.css托管于?byGitHub>我为这个项目创建了一个自定义销售数据集，它有四列：rate,firstmonthsales,第一个月第二个月的销售额和第三个月的销售额ratesales_in_first_monthsales_in_second_monthsales_in_third_month25003004300650四600200400九450320650七600250350五550200700查看rawsales.csv由GitHub托管?现在，让我们构建一个机器学习模型来预测第三个月的销售额。首先，让我们使用Pandas来处理缺失值。如果没有为一项或多项提供信息，数据将会丢失。如果没有提供任何值，我会用零填充利率列，并用该列的平均值填充第一个月的销售额列。我正在使用线性回归作为机器学习算法。序列化/反序列化简而言之，序列化是一种将Python对象写入磁盘（对象可以转移到任何地方），然后由Python脚本反序列化（回读）的一种方法。图3.序列化和反序列化我使用pickling将Python对象形式的模型转换为字符流。这个想法是这个字符流包含用另一个Python脚本重建对象所需的所有信息。importnumpyasnpimportmatplotlib.pyplotaspltimportpandasasspdimportpickledataset=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]defconvert_to_int(word):word_dict={'一':1,'二':2,'三':3,'四':4,'五':5,'六':6,'七':7,'八':8,'九':9,'十':10,'十一':11,'十二':12,'零':0,0:0}returnword_dict[word]X['rate']=X['rate'].apply(lambdax:convert_to_int(x))y=dataset.iloc[:,-1]fromsklearn.linear_modelimportLinearRegressionregressor=LinearRegression()回归器.fit(X,y)pickle.dump(regressor,open('model.pkl','wb'))model=pickle.load(open('model.pkl','rb'))print(model.predict([[4,300,500]))viewrawmodel.pyhostedwith?byGitHub下一部分是构建一个API，在通过GUI接收销售详细信息后，根据我们的模型计算预测销售额。为此，我以Python对象的形式反序列化了pickled模型。我使用index.html来设置主页。使用POST将表单值提交到/predict后，我??们将获得预测的销售额。只需向/results发出另一个POST请求即可显示结果。它接受JSON输入，使用经过训练的模型进行预测，并以JSON格式返回该预测，该格式可通过API端点访问。importnumpyasnpfromflaskiimportFlask,request,jsonify,render_templateimportpickleapp=Flask(__name__)model=pickle.load(open('model.pkl','rb'))@app.route('/')defhome():returnrender_template('index.html')@app.route('/predict',methods=['POST'])defpredict():int_features=[int(x)forxinrequest.form.values()]final_features=[np.array(int_features)]预测=model.predict(final_features)output=round(prediction[0],2)returnrender_template('index.html',prediction_text='Salessshouldbe${}'.format(output))@app.route('/results',methods=['POST'])defresults():data=request.get_json(force=True)prediction=model.predict([np.array(list(data.values()))])output=prediction[0]returnjsonify(output)if__name__=="__main__":app.run(debug=True)viewrawapp.pyhostedwith?byGitHub最后我使用request模块调用app.py中定义的APP。它显示了第三个月的退货销售额。importrequestsurl='http://localhost:5000/results'r=requests.post(url,json={'rate':5,'sales_in_first_month':200,'sales_in_second_month':400})print(r.json())viewrawrequest.pyhostedwith?byGitHub结果使用此命令运行此Web应用程序。$pythonapp.py图4在Web浏览器中打开http://127.0.0.1:5000/，应该会出现如下所示的GUI。图5.图形用户界面结论本文展示了一种部署机器学习模型的非常简单的方法。我使用线性回归来预测第三个月的销售额，使用利率和前两个月的销售额。您可以使用您在本文中学到的知识来构建一些很酷的模型并将它们部署到生产中，以便其他人可以享受结果。原标题：HowtoEasilyDeployMachineLearningModelsUsingFlask，作者：AbhinavSagar