機器學習模型部署--打通前後端任督二脈

前言

學歷與定位

近日在某論壇，有網友提問道：搞機器學習是不是要博士或是碩士學歷，是不是要求很高，頂會論文？大學生或者更低學歷的，是不是就沒有機會了？從最近公司的招聘來看，演算法工程師的 bar 確實有在提高。但在某些事業部，仍需要很大的人力來做落地場景。每個人都要找準自己的定位，公司也有它的部門定位。如果是發論文、要在學術界站穩腳跟，給投資人“我們很重視最新技術”的信心，那博士確實很重要。另一個角度，從實用角度來說，研究生和大學生可能價效比更高。當然，作為一個小本就工作的人，沒有較為豐富的實戰經驗，有機會的話，還是拿到碩士及更高學歷比較好。這裡的實戰經驗就比如：搭建一個完整的、涉及演算法模型、後端及前端的系統。

模型演算法的實用主義

機器學習的實用主義，不是在論文多少，而是用正確的方法去解決正確的問題。而作為背後的工程師，除了調參、除了寫 sql，做調包俠、做 sql boy、報表 boy 以外，在之前的文章也提到過，要學會做正確的展示，做全套的工程化實施。畢竟，等排期很難受；有些情況前後端資源不夠，或者優先順序很低，那就需要自己動手了。以下以上面的垃圾郵件分類為例子，說明該如何搭建一個前後端完整的機器學習系統。

這裡將本次的任務拆解，分為三個部分來講。後端 flask、前端 Vue、ML 模型採用 flair，專案地址 kuhung/flask_vue_ML

後端 flask

相關依賴的安裝

pip install -r requirements.txt

核心函式

匯入函式包from flask import Flask, jsonify, requestfrom flask_cors import CORS # 做跨域的準備from flask import session # 追蹤客戶端會話from flair.models import TextClassifier # 模型匯入，採用前不久開源的 flair 做文字分類from flair.data import Sentence複製程式碼準備工作app = Flask(__name__) # 宣告準備app.secret_key = "super_secret_key"CORS(app)classifier = TextClassifier.load_from_file('models/best-model.pt') # 模型載入複製程式碼配置 flask 的路由# 根路由配置@app.route('/', methods=['GET'])def index(): return jsonify("welcome to Kuhung API")# GET 方法，這裡 session 的作用是追蹤客戶端會話，防止重複請求模型@app.route('/api/tasks', methods=['GET'])def get_result(): result = [] try: data_result = session['my_result'] result.append ({'title': data_result['title'], 'tag': data_result['tag'] }) except: result.append ({'title': 'The txt you input', 'tag': 'spam or ham' }) return jsonify(result)# POST 方法@app.route('/api/task', methods=['POST'])def input_predict_text(): title = request.get_json()['title'] # 解析請求 sentence = Sentence(title) # 對請求做資料預處理 classifier.predict(sentence) # 呼叫模型，做預測，返回帶標籤的資料 text = sentence.to_plain_string() # 解析出原始資料 label = sentence.labels[0] # 解析出標籤 result = {'title' : text, 'tag' : label.value} # 拼接成字典格式 session['my_result'] = result # 存入 session ，以減少重複請求對模型的壓力 return jsonify(result) # 返回 json 格式的資料if __name__ == '__main__': app.run(debug=True) # 開發過程中開啟 debug 除錯模式複製程式碼

啟動服務

python app.py

前端 vue

前端採用 Vue 框架，與後端分離。使用 Webpack 進行資源管理與打包。

相關依賴的安裝

npm install -g vue-clinpm install複製程式碼

自定義元件

通過 vue init webpack flask_vue_ML 後，進入專案資料夾，增加自定義內容。

index.html

componentsHome.vue // 自定義元件，增加routerindex.js // 路由，修改App.vue // 主元件，修改main.js // 入口檔案，修改

Home.vue

這裡定義頁面的基本樣式，以及獲取資料的邏輯。

定義路由，設定訪問路徑，並將路徑和元件關聯

import Vue from 'vue'import Router from 'vue-router'import Home from '@/components/Home'Vue.use(Router)export default new Router({ routes: [ { path: '/', name: 'Home', component: Home } ]})複製程式碼

App.vue

主元件

初始化例項並載入必要外掛

// The Vue build version to load with the `import` command// (runtime-only or standalone) has been set in webpack.base.conf with an alias.import Vue from 'vue'import App from './App'import router from './router'import VueProgressBar from 'vue-progressbar'require('../node_modules/bootstrap/dist/css/bootstrap.css')Vue.config.productionTip = false// 這是進度條Vue.use(VueProgressBar, { color: 'rgb(143, 255, 199)', failedColor: 'red', height: '10px'})/* eslint-disable no-new */new Vue({ el: '#app', router, components: { App }, template: '<App/>'})複製程式碼

啟動服務

npm run dev

模型 flair

模型這裡採用 fair 框架，該框架在 2018 年底釋出，易用性和效果都較前方案有了較大提升。這裡直接採用官方樣例訓練好的垃圾郵件分類模型的權重，也就是在上文後端所讀取的檔案。關注我的公眾號：穀粒先生，回覆權重，即可獲得權重檔案連結。

模型呼叫

from flair.models import TextClassifier # 模型匯入，採用前不久開源的 flair 做文字分類from flair.data import Sentenceclassifier = TextClassifier.load_from_file('models/best-model.pt') # 模型載入sentence = Sentence(title) # 對請求做資料預處理classifier.predict(sentence) # 呼叫模型，做預測，返回帶標籤的資料複製程式碼

效果展示

本教程針對文字分類這個場景，構建了一套前後端分離的“完整”框架，能夠給到一個最直觀的感受。當然，這裡還有很多優化空間，還有後續部署等事宜沒有詳細展開，有心的同學可以自行檢索學習。通過這套流程，可以在測試服搭建一套實用主義哲學的演算法模型。給到領導做展示或是公司內部使用，已經足夠。專案地址 kuhung/flask_vue_ML

終端端網站訪問

a479c5dec1d934?imageView2/0/w/1280/h/960/format/webp/ignore-error/1">

：穀粒先生，下載權重檔案並第一時間獲取更新。

參考文獻：K碼農-http://kmanong.top/kmn/qxw/form/home?top_cate=28