@ -1,58 +1,58 @@
# 构建使用ML模型的Web应用程序
# 构建使用 ML 模型的 Web 应用程序
在本课中， ， ： ，
在本课中，你将在一个数据集上训练一个 ML 模型，这个数据集来自世界各地：过去一个世纪的 UFO 目击事件，来源于 [ 的数据库
你将学会：
- 如何“pickle”一个训练有素的模型
- 如何在Flask应用程序中使用该模型
- 如何在 Flask 应用程序中使用该模型
我们将继续使用notebook来清理数据和训练我们的模型，
我们将继续使用 notebook 来清理数据和训练我们的模型，但你可以进一步探索在 web 应用程序中使用模型。
为此，
为此，你需要使用 Flask 构建一个 web 应用程序。
## [课前测 ](https://white-water-09ec41f0f.azurestaticapps.net/quiz/17/ )
## 构建应用程序
有多种方法可以构建Web应用程序以使用机器学习模型。你的web架构可能会影响你的模型训练方式。想象一下， ，
有多种方法可以构建 Web 应用程序以使用机器学习模型。你的 web 架构可能会影响你的模型训练方式。想象一下，你在一家企业工作，其中数据科学小组已经训练了他们希望你在应用程序中使用的模型。
### 注意事项
### 注意事项
你需要问很多问题：
你需要问很多问题：
- ** 它是web应用程序还是移动应用程序？
- ** 模型放在哪里？**在云端还是本地？
- ** 离线支持**。该应用程序是否必须离线工作？
- ** 使用什么技术来训练模型？**所选的技术可能会影响你需要使用的工具。
- ** 使用Tensor flow**。例如， ， 模型以便在Web应用程序中使用的能力。
- ** 使用 PyTorch**。如果你使用[PyTorch](https://pytorch.org/)等库构建模型，则可以选择将其导出到[ONNX](https://onnx.ai/)（开放神经网络交换) 格式，用于可以使用 [Onnx Runtime ](https://www.onnxruntime.ai/ )的JavaScript Web 应用程序。此选项将在Scikit-learn-trained模型的未来课程中进行探讨。
- ** 使用Lobe.ai或Azure自定义视觉**。如果你使用ML SaaS（ ） ， cognitive-services/custom-vision-service/?WT.mc_id=academic-15963-cxa)来训练模型， ， ，
- ** 它是 web 应用程序还是移动应用程序？** 如果你正在构建移动应用程序或需要在物联网环境中使用模型，你可以使用 [ 并在 Android 或 iOS 应用程序中使用该模型。
- ** 模型放在哪里？** 在云端还是本地？
- ** 离线支持**。该应用程序是否必须离线工作？
- ** 使用什么技术来训练模型？** 所选的技术可能会影响你需要使用的工具。
- ** 使用 TensorFlow**。例如，如果你正在使用 TensorFlow 训练模型，则该生态系统提供了使用 [TensorFlow.js ](https://www.tensorflow.org/js/ ) 转换 TensorFlow 模型以便在Web应用程序中使用的能力。
- ** 使用 PyTorch**。如果你使用 [ 等库构建模型，则可以选择将其导出到 [ONNX ](https://onnx.ai/ )（开放神经网络交换） 格式，用于可以使用 [Onnx Runtime ](https://www.onnxruntime.ai/ )的JavaScript Web 应用程序。此选项将在 Scikit-learn-trained 模型的未来课程中进行探讨。
- ** 使用 Lobe.ai 或 Azure 自定义视觉**。如果你使用 ML SaaS（ ） ， [ 或 [ 来训练模型， ， PI，
你还有机会构建一个完整的Flask Web应用程序，
你还有机会构建一个完整的 Flask Web 应用程序，该应用程序能够在 Web浏览器中训练模型本身。这也可以在 JavaScript 上下文中使用 TensorFlow.js 来完成。
出于我们的目的， ，
出于我们的目的，既然我们一直在使用基于 Python 的 notebook， notebook 导出为 Python 构建的 web 应用程序可读的格式所需要采取的步骤。
## 工具
对于此任务， ： ，
对于此任务， ： 和 Pickle， Python 上运行。
✅ 什么是 [Flask ](https://palletsprojects.com/p/flask/ )？ ，
✅ 什么是 [Flask ](https://palletsprojects.com/p/flask/ )？ 被其创建者定义为“微框架”，它提供了使用 Python 和模板引擎构建网页的 Web 框架的基本功能。看看[本学习单元](https://docs.microsoft.com/learn/modules/python-flask-build-ai-web-app?WT.mc_id=academic-15963-cxa)练习使用 Flask 构建应用程序。
✅ 什么是[Pickle](https://docs.python.org/3/library/pickle.html)？ ， ， ： ， ，
✅ 什么是 [？ 个 Python 模块，用于序列化和反序列化 Python 对象结构。当你“pickle”一个模型时， 上使用。小心： 本质上不是安全的， ， `.pkl`
## 练习 - 清理你的数据
在本课中，你将使用由 [NUFORC ](https://nuforc.org )（国家 UFO 报告中心） ， ：
在本课中，你将使用由 [NUFORC ](https://nuforc.org )（国家 UFO 报告中心）收集的 80,000 次 UFO 目击数据。这些数据对 UFO 目击事件有一些有趣的描述，例如：
- ** 详细描述**。"一名男子从夜间照射在草地上的光束中出现，他朝德克萨斯仪器公司的停车场跑去"。
- ** 简短描述**。 “灯光追着我们”。
- ** 简短描述**。 “灯光追着我们”。
[ufos.csv ](./data/ufos.csv )电子表格包括有关目击事件发生的`city`、`state`和`country`、对象的`shape`及其`latitude`和`longitude`的列。
[ufos.csv ](./data/ufos.csv ) 电子表格包括有关目击事件发生的 `city` 和 `country` `shape` 及其 `latitude` 和 `longitude` 的列。
在包含在本课中的空白[notebook](notebook.ipynb)中：
在包含在本课中的空白 [ 中：
1. 像在之前的课程中一样导入`pandas`、`matplotlib`和`numpy`， ：
1. 像在之前的课程中一样导入 `pandas` 和 `numpy` ufos 电子表格。你可以查看一个示例数据集：
```python
import pandas as pd
@ -62,7 +62,7 @@
ufos.head()
```
2. 将ufos数据转换为带有新标题的小dataframe。检查`country`字段中的唯一值。
2. 将 ufos 数据转换为带有新标题的小 dataframe。检查 `country` 字段中的唯一值。
```python
ufos = pd.DataFrame({'Seconds': ufos['duration (seconds)'], 'Country': ufos['country'],'Latitude': ufos['latitude'],'Longitude': ufos['longitude']})
@ -70,7 +70,7 @@
ufos.Country.unique()
```
3. 现在， ：
3. 现在，你可以通过删除任何空值并仅导入 1-60 秒之间的目击数据来减少我们需要处理的数据量：
```python
ufos.dropna(inplace=True)
@ -80,9 +80,9 @@
ufos.info()
```
4. 导入Scikit-learn的`LabelEncoder`库，将国家的文本值转换为数字：
4. 导入 Scikit-learn 的 `LabelEncoder` 库，将国家的文本值转换为数字：
✅ LabelEncoder按字母顺序编码数据
✅ LabelEncoder 按字母顺序编码数据
```python
from sklearn.preprocessing import LabelEncoder
@ -103,11 +103,11 @@
24 3.0 3 51.783333 -0.783333
```
## 练习 - 建立你的模型
## 练习 - 建立你的模型
现在，你可以通过将数据划分为训练和测试组来准备训练模型。
现在，你可以通过将数据划分为训练和测试组来准备训练模型。
1. 选择要训练的三个特征作为X向量，
1. 选择要训练的三个特征作为 X 向量， 向量将是 `Country` `Seconds` 和 `Longitude` 并获得要返回的国家/地区 ID。
```python
from sklearn.model_selection import train_test_split
@ -120,7 +120,7 @@
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
```
2. 使用逻辑回归训练模型：
2. 使用逻辑回归训练模型：
```python
from sklearn.metrics import accuracy_score, classification_report
@ -134,13 +134,13 @@
print('Accuracy: ', accuracy_score(y_test, predictions))
```
准确率还不错**（大约 95%）
准确率还不错 **） `Country` 和 `Latitude/Longitude` 相关。
你创建的模型并不是非常具有革命性，因为你应该能够从其`Latitude`和`Longitude`推断出`Country`， ， ，
你创建的模型并不是非常具有革命性，因为你应该能够从其 `Latitude` 和 `Longitude` 推断出 `Country` web 应用程序中使用此模型是一个很好的练习。
## 练习 - “pickle”你的模型
现在， ！ _pickled_ ， ，
现在，是时候 _pickle_ 你的模型了！你可以在几行代码中做到这一点。一旦它是 _pickled_ ，加载你的 pickled 模型并针对包含秒、纬度和经度值的示例数据数组对其进行测试，
```python
import pickle
@ -151,15 +151,15 @@ model = pickle.load(open('ufo-model.pkl','rb'))
print(model.predict([[50,44,-12]]))
```
该模型返回**'3'**，这是英国的国家代码。👽
该模型返回 **
## 练习 - 构建Flask应用程序
现在你可以构建一个Flask应用程序来调用你的模型并返回类似的结果，
1. 首先在你的 _ufo-model.pkl_ 文件所在的_notebook.ipynb_文件旁边创建一个名为**web-app**的文件夹。
1. 首先在你的 _ufo-model.pkl_ 文件所在的 _notebook.ipynb_ 文件旁边创建一个名为 **web-app** 的文件夹。
2. 在该文件夹中创建另外三个文件夹：**static**，其中有文件夹**css**和**templates` **。 你现在应该拥有以下文件和目录
2. 在该文件夹中创建另外三个文件夹：**static**，其中有文件夹 **css** 和 **templates**
```output
web-app/
@ -170,9 +170,9 @@ print(model.predict([[50,44,-12]]))
ufo-model.pkl
```
✅ 请参阅解决方案文件夹以查看已完成的应用程序
✅ 请参阅解决方案文件夹以查看已完成的应用程序
3. 在_web-app_文件夹中创建的第一个文件是**requirements.txt**文件。与JavaScript应用程序中的_package.json_一样，
3. 在 _web-app_ 文件夹中创建的第一个文件是 **requirements.txt** 文件。与 JavaScript 应用程序中的 _package.json_ 一样，此文件列出了应用程序所需的依赖项。在 **requirements.txt** 中添加以下几行：
```text
scikit-learn
@ -181,25 +181,25 @@ print(model.predict([[50,44,-12]]))
flask
```
4. 现在， ：
4. 现在，进入 web-app 文件夹：
```bash
cd web-app
```
5. 在你的终端中输入`pip install`， ：
5. 在你的终端中输入 `pip install` _reuirements.txt_ 中列出的库：
```bash
pip install -r requirements.txt
```
6. 现在，你已准备好创建另外三个文件来完成应用程序：
6. 现在，你已准备好创建另外三个文件来完成应用程序：
1. 在根目录中创建**app.py**
2. 在_templates_目录中创建**index.html**。
3. 在_static/css_目录中创建**styles.css**。
1. 在根目录中创建 **app.py** 。
2. 在 _templates_ 目录中创建**index.html**。
3. 在 _static/css_ 目录中创建**styles.css**。
7. 使用一些样式构建_styles.css_文件：
7. 使用一些样式构建 _styles.css_ 文件：
```css
body {
@ -233,7 +233,7 @@ print(model.predict([[50,44,-12]]))
}
```
8. 接下来， ：
8. 接下来，构建 _index.html_ 文件：
```html
<!DOCTYPE html>
@ -268,9 +268,9 @@ print(model.predict([[50,44,-12]]))
< / html >
```
看看这个文件中的模板。请注意应用程序将提供的变量周围的“mustache”语法， ：
看看这个文件中的模板。请注意应用程序将提供的变量周围的“mustache”语法， ： `/predict` 路由。
最后，
最后，你已准备好构建使用模型和显示预测的 python 文件：
9. 在`app.py`中添加:
@ -309,38 +309,38 @@ print(model.predict([[50,44,-12]]))
app.run(debug=True)
```
> 💡 提示： `debug=True` ](https://www.askpython.com/python-modules/flask/flask-debug-mode )时你对应用程序所做的任何更改将立即反映，无需重新启动服务器。注意！不要在生产应用程序中启用此模式
> 💡 提示：当你在使用 Flask 运行 Web 应用程序时添加 [`debug=True` ](https://www.askpython.com/python-modules/flask/flask-debug-mode )时你对应用程序所做的任何更改将立即反映，无需重新启动服务器。注意！不要在生产应用程序中启用此模式
如果你运行`python app.py`或`python3 app.py` - 你的网络服务器在本地启动， ！
如果你运行 `python app.py` 或 `python3 app.py` UFO 的问题！
在此之前，先看一下`app.py`的实现：
在此之前，先看一下 `app.py` 的实现：
1. 首先，加载依赖项并启动应用程序。
2. 然后，导入模型。
3. 然后，
3. 然后，在 home 路由上渲染 index.html。
在`/predict`路由上，当表单被发布时会发生几件事情：
在 `/predict` 路由上，当表单被发布时会发生几件事情：
1. 收集表单变量并转换为numpy数组。然后将它们发送到模型并返回预测。
2. 我们希望显示的国家/地区根据其预测的国家/地区代码重新呈现为可读文本，
1. 收集表单变量并转换为 numpy 数组。然后将它们发送到模型并返回预测。
2. 我们希望显示的国家/地区根据其预测的国家/地区代码重新呈现为可读文本，并将该值发送回 index.html 以在模板中呈现。
以这种方式使用模型， ， ， ，
以这种方式使用模型，包括 Flask 和 pickled 模型，是相对简单的。最困难的是要理解数据是什么形状的，这些数据必须发送到模型中才能得到预测。这完全取决于模型是如何训练的。有三个数据要输入，以便得到一个预测。
在一个专业的环境中， ， ， ！
在一个专业的环境中，你可以看到训练模型的人和在 Web 或移动应用程序中使用模型的人之间的良好沟通是多么的必要。在我们的情况下，只有一个人，你！
---
## 🚀 挑战:
## 🚀 挑战
你可以在Flask应用程序中训练模型， ！ ， ，
你可以在 Flask 应用程序中训练模型，而不是在 notebook 上工作并将模型导入 Flask 应用程序！尝试在 notebook 中转换 Python 代码，可能是在清除数据之后，从应用程序中的一个名为 `train` 的路径训练模型。采用这种方法的利弊是什么？
## [课后测 ](https://white-water-09ec41f0f.azurestaticapps.net/quiz/18/ )
## 复习与自学
## 复习与自学
有很多方法可以构建一个Web应用程序来使用ML模型。列出可以使用JavaScript或Python构建Web应用程序以利用机器学习的方法。考虑架构： ？ ， ？
有很多方法可以构建一个Web应用程序来使用ML模型。列出可以使用JavaScript或Python构建Web应用程序以利用机器学习的方法。考虑架构： ？ ， ？
## 任务
## 任务
[尝试不同的模型 ](../assignment.md )
Flex Zhong
3 years ago
committed by
GitHub