翻譯：申利彬

校對：吳金笛

本文約2700字，建議閱讀7分鐘。

本文可以讓你把訓練好的機器學習模型使用Flask API 投入生產環境。

本文旨在讓您把訓練好的機器學習模型通過Flask API 投入到生產環境 。

當資料科學或者機器學習工程師使用Scikit-learn、Tensorflow、Keras 、PyTorch等框架部署機器學習模型時，最終的目的都是使其投入生產。通常，我們在做機器學習專案的過程中，將注意力集中在資料分析，特徵工程，調整引數等方面。但是，我們往往會忘記主要目標，即從模型預測結果中獲得實際的價值。

部署機器學習模型或者將模型投入生產，意味著將模型提供給最終的使用者或系統使用。

然而機器學習模型部署具有一定的複雜性，本文可以讓你把訓練好的機器學習模型使用Flask API 投入生產環境。

我將使用線性迴歸，通過利率和前兩個月的銷售額來預測第三個月的銷售額。

線性迴歸是什麼？

線性迴歸模型的目標是找出一個或多個特徵（自變數）和一個連續目標變數（因變數）之間的關係。如果只有一個特徵，則稱為單變數線性迴歸；如果有多個特徵，則稱為多元線性迴歸。

線性迴歸的假設

線性迴歸模型可以用下面的等式表示：

線性迴歸圖解

為什麼使用Flask？

專案結構

這個專案分為四個部分：

1. model.py -- 包含機器學習模型的程式碼，用於根據前兩個月的銷售額預測第三個月的銷售額。

2. app.py – 包含用於從圖形使用者介面(GUI)或者API呼叫獲得詳細銷售資料的Flask API，Flask API根據我們的模型計算預測值並返回。

3. request.py -- 使用requests模組呼叫app.py中定義的API並顯示返回值。

4. HTML/CSS – 包含HTML模板和CSS風格程式碼，允許使用者輸入銷售細節並顯示第三個月的預測值。

部署機器學習模型的Pipeline

環境和工具

1. Scikit-learn

2. Pandas

3. Numpy

4. Flask

程式碼在哪裡呢？

從程式碼開始，完整的專案可以在github上找到（https://github.com/abhinavsagar/Machine-Learning-Deployment-Tutorials）。

我們使用HTML構建前端，讓使用者輸入資料。這裡有三個區域需要使用者去填寫—利率，第一個月的銷售額以及第二個月的銷售額。

@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; }

我為這個專案建立了一個定製的銷售資料集，它有四列——利率、第一個月的銷售額、第二個月的銷售額和第三個月的銷售額。

我們現在構建一個機器學習模型來預測第三個月的銷售額。首先使用Pandas解決缺失值問題，當一項或多項指標沒有資訊時，就會有缺失值發生。使用0填充利率這一列的缺失值，平均值填充第一個月銷售額中的缺失值，採用線性迴歸的機器學習演算法。

序列化和反序列化

簡而言之，序列化是一種在磁碟上寫入python物件的方法，該物件可以傳輸到任何地方，然後通過python指令碼反序列化（讀）回去。

序列化 反序列化

使用Pickling將是python物件形式的模型轉為字元流形式，其思想是這個字元流中包含了在另一個python指令碼中重建這個物件所需的所有資訊。

import numpy as npimport matplotlib.pyplot as pltimport pandas as pdimport pickledataset = 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 LinearRegressionregressor = 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]]))

下一部分是構建一個API，反序列化這個模型為python物件格式，並通過圖形使用者介面(GUI)獲取詳細銷售資料，根據模型計算預測值。我使用index.html設定主頁，並在使用POST請求方式提交表單資料時，獲取預測的銷售值。

可以通過另一個POST請求將結果傳送給results並展示出來。它接收JSON格式的輸入，並使用訓練好的模型預測出可以被API端點接受的JSON格式的預測值。

import numpy as npfrom flask import Flask, request, jsonify, render_templateimport pickleapp = 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)

最後使用requests模組呼叫在app.py中定義的APIs，它的結果是第三個月銷售額的預測值。

import requestsurl = '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

使用下面的命令執行Web應用程式。

在web瀏覽器中開啟http://127.0.1:5000/，將顯示如下所示的GUI.

原文標題：

How to Easily Deploy Machine Learning Models Using Flask

原文連結：

https://www.kdnuggets.com/2019/10/easily-deploy-machine-learning-models-using-flask.html

校對：王欣

— 完 —