独家 | 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）-白红宇

独家 | 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）

阅读量：4226 次

发布时间：2019-05-26

本文共 5619 字，大约阅读时间需要 18 分钟。

作者：Abhinav Sagar

翻译：申利彬

校对：吴金笛

本文约

2700字 ，建议阅读

7分钟 。

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。

本文旨在让您把训练好的机器学习模型通过Flask API 投入到生产环境。

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。

线性回归是什么？

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：

640?wx_fmt=png

线性回归图解

为什么使用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。

640?wx_fmt=png

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。

	
     
       	 
      
        	  
       Deployment Tutorial 1 	   
       
        	   
        
         	   
         
          	   
          
               
           
            
                  
             
              Sales Forecasting     
          
                        
              
                          
                                  
                                 
                                         
               
                Predict sales in third month                                                      
                
                              
                
   { { prediction_text }}

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。

640?wx_fmt=png

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。

640?wx_fmt=png

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

640?wx_fmt=png