Merge pull request #606 from theodorecooper/main

[Translations] Add traditional chinese translations
pull/610/head
Lee Stott 2 years ago committed by GitHub
commit 4f6e15d68d
No known key found for this signature in database
GPG Key ID: 4AEE18F83AFDEB23

@ -342,6 +342,6 @@ print(model.predict([[50,44,-12]]))
## 任务 ## 任务
[尝试不同的模型](../assignment.md) [尝试不同的模型](./assignment.zh-cn.md)

@ -0,0 +1,347 @@
# 構建使用 ML 模型的 Web 應用程序
在本課中,你將在一個數據集上訓練一個 ML 模型,這個數據集來自世界各地:過去一個世紀的 UFO 目擊事件,來源於 [NUFORC 的數據庫](https://www.nuforc.org)。
你將學會:
- 如何「pickle」一個訓練有素的模型
- 如何在 Flask 應用程序中使用該模型
我們將繼續使用 notebook 來清理數據和訓練我們的模型,但你可以進一步探索在 web 應用程序中使用模型。
為此,你需要使用 Flask 構建一個 web 應用程序。
## [課前測](https://white-water-09ec41f0f.azurestaticapps.net/quiz/17/)
## 構建應用程序
有多種方法可以構建 Web 應用程序以使用機器學習模型。你的 web 架構可能會影響你的模型訓練方式。想象一下,你在一家企業工作,其中數據科學小組已經訓練了他們希望你在應用程序中使用的模型。
### 註意事項
你需要問很多問題:
- **它是 web 應用程序還是移動應用程序?** 如果你正在構建移動應用程序或需要在物聯網環境中使用模型,你可以使用 [TensorFlow Lite](https://www.tensorflow.org/lite/) 並在 Android 或 iOS 應用程序中使用該模型。
- **模型放在哪裏?** 在雲端還是本地?
- **離線支持**。該應用程序是否必須離線工作?
- **使用什麽技術來訓練模型?** 所選的技術可能會影響你需要使用的工具。
- **使用 TensorFlow**。例如,如果你正在使用 TensorFlow 訓練模型,則該生態系統提供了使用 [TensorFlow.js](https://www.tensorflow.org/js/) 轉換 TensorFlow 模型以便在Web應用程序中使用的能力。
- **使用 PyTorch**。如果你使用 [PyTorch](https://pytorch.org/) 等庫構建模型,則可以選擇將其導出到 [ONNX](https://onnx.ai/)(開放神經網絡交換)格式,用於可以使用 [Onnx Runtime](https://www.onnxruntime.ai/)的JavaScript Web 應用程序。此選項將在 Scikit-learn-trained 模型的未來課程中進行探討。
- **使用 Lobe.ai 或 Azure 自定義視覺**。如果你使用 ML SaaS軟件即服務系統例如 [Lobe.ai](https://lobe.ai/) 或 [Azure Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-15963-cxa) 來訓練模型這種類型的軟件提供了為許多平臺導出模型的方法包括構建一個定製A PI供在線應用程序在雲中查詢。
你還有機會構建一個完整的 Flask Web 應用程序,該應用程序能夠在 Web瀏覽器中訓練模型本身。這也可以在 JavaScript 上下文中使用 TensorFlow.js 來完成。
出於我們的目的,既然我們一直在使用基於 Python 的 notebook那麽就讓我們探討一下將經過訓練的模型從 notebook 導出為 Python 構建的 web 應用程序可讀的格式所需要采取的步驟。
## 工具
對於此任務你需要兩個工具Flask 和 Pickle它們都在 Python 上運行。
✅ 什麽是 [Flask](https://palletsprojects.com/p/flask/) Flask 被其創建者定義為「微框架」,它提供了使用 Python 和模板引擎構建網頁的 Web 框架的基本功能。看看[本學習單元](https://docs.microsoft.com/learn/modules/python-flask-build-ai-web-app?WT.mc_id=academic-15963-cxa)練習使用 Flask 構建應用程序。
✅ 什麽是 [Pickle](https://docs.python.org/3/library/pickle.html) Pickle🥒是一個 Python 模塊,用於序列化和反序列化 Python 對象結構。當你「pickle」一個模型時你將其結構序列化或展平以在 Web 上使用。小心pickle 本質上不是安全的所以如果提示「un-pickle」文件請小心。生產的文件具有後綴 `.pkl`
## 練習 - 清理你的數據
在本課中,你將使用由 [NUFORC](https://nuforc.org)(國家 UFO 報告中心)收集的 80,000 次 UFO 目擊數據。這些數據對 UFO 目擊事件有一些有趣的描述,例如:
- **詳細描述**。"一名男子從夜間照射在草地上的光束中出現,他朝德克薩斯儀器公司的停車場跑去"。
- **簡短描述**。 「燈光追著我們」。
[ufos.csv](./data/ufos.csv) 電子表格包括有關目擊事件發生的 `city`、`state` 和 `country`、對象的 `shape` 及其 `latitude``longitude` 的列。
在包含在本課中的空白 [notebook](notebook.ipynb) 中:
1. 像在之前的課程中一樣導入 `pandas`、`matplotlib` 和 `numpy`,然後導入 ufos 電子表格。你可以查看一個示例數據集:
```python
import pandas as pd
import numpy as np
ufos = pd.read_csv('../data/ufos.csv')
ufos.head()
```
2. 將 ufos 數據轉換為帶有新標題的小 dataframe。檢查 `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']})
ufos.Country.unique()
```
3. 現在,你可以通過刪除任何空值並僅導入 1-60 秒之間的目擊數據來減少我們需要處理的數據量:
```python
ufos.dropna(inplace=True)
ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)]
ufos.info()
```
4. 導入 Scikit-learn 的 `LabelEncoder` 庫,將國家的文本值轉換為數字:
✅ LabelEncoder 按字母順序編碼數據
```python
from sklearn.preprocessing import LabelEncoder
ufos['Country'] = LabelEncoder().fit_transform(ufos['Country'])
ufos.head()
```
你的數據應如下所示:
```output
Seconds Country Latitude Longitude
2 20.0 3 53.200000 -2.916667
3 20.0 4 28.978333 -96.645833
14 30.0 4 35.823889 -80.253611
23 60.0 4 45.582778 -122.352222
24 3.0 3 51.783333 -0.783333
```
## 練習 - 建立你的模型
現在,你可以通過將數據劃分為訓練和測試組來準備訓練模型。
1. 選擇要訓練的三個特征作為 X 向量y 向量將是 `Country` 你希望能夠輸入 `Seconds`、`Latitude` 和 `Longitude` 並獲得要返回的國家/地區 ID。
```python
from sklearn.model_selection import train_test_split
Selected_features = ['Seconds','Latitude','Longitude']
X = ufos[Selected_features]
y = ufos['Country']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
```
2. 使用邏輯回歸訓練模型:
```python
from sklearn.metrics import accuracy_score, classification_report
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
print(classification_report(y_test, predictions))
print('Predicted labels: ', predictions)
print('Accuracy: ', accuracy_score(y_test, predictions))
```
準確率還不錯 **(大約 95%**,不出所料,因為 `Country``Latitude/Longitude` 相關。
你創建的模型並不是非常具有革命性,因為你應該能夠從其 `Latitude``Longitude` 推斷出 `Country`,但是,嘗試從清理、導出的原始數據進行訓練,然後在 web 應用程序中使用此模型是一個很好的練習。
## 練習 - 「pickle」你的模型
現在,是時候 _pickle_ 你的模型了!你可以在幾行代碼中做到這一點。一旦它是 _pickled_,加載你的 pickled 模型並針對包含秒、緯度和經度值的示例數據數組對其進行測試,
```python
import pickle
model_filename = 'ufo-model.pkl'
pickle.dump(model, open(model_filename,'wb'))
model = pickle.load(open('ufo-model.pkl','rb'))
print(model.predict([[50,44,-12]]))
```
該模型返回 **'3'**,這是英國的國家代碼。👽
## 練習 - 構建Flask應用程序
現在你可以構建一個Flask應用程序來調用你的模型並返回類似的結果但以一種更美觀的方式。
1. 首先在你的 _ufo-model.pkl_ 文件所在的 _notebook.ipynb_ 文件旁邊創建一個名為 **web-app** 的文件夾。
2. 在該文件夾中創建另外三個文件夾:**static**,其中有文件夾 **css****templates**。 你現在應該擁有以下文件和目錄
```output
web-app/
static/
css/
templates/
notebook.ipynb
ufo-model.pkl
```
✅ 請參閱解決方案文件夾以查看已完成的應用程序
3. 在 _web-app_ 文件夾中創建的第一個文件是 **requirements.txt** 文件。與 JavaScript 應用程序中的 _package.json_ 一樣,此文件列出了應用程序所需的依賴項。在 **requirements.txt** 中添加以下幾行:
```text
scikit-learn
pandas
numpy
flask
```
4. 現在,進入 web-app 文件夾:
```bash
cd web-app
```
5. 在你的終端中輸入 `pip install`,以安裝 _reuirements.txt_ 中列出的庫:
```bash
pip install -r requirements.txt
```
6. 現在,你已準備好創建另外三個文件來完成應用程序:
1. 在根目錄中創建 **app.py**
2. 在 _templates_ 目錄中創建**index.html**。
3. 在 _static/css_ 目錄中創建**styles.css**。
7. 使用一些樣式構建 _styles.css_ 文件:
```css
body {
width: 100%;
height: 100%;
font-family: 'Helvetica';
background: black;
color: #fff;
text-align: center;
letter-spacing: 1.4px;
font-size: 30px;
}
input {
min-width: 150px;
}
.grid {
width: 300px;
border: 1px solid #2d2d2d;
display: grid;
justify-content: center;
margin: 20px auto;
}
.box {
color: #fff;
background: #2d2d2d;
padding: 12px;
display: inline-block;
}
```
8. 接下來,構建 _index.html_ 文件:
```html
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>🛸 UFO Appearance Prediction! 👽</title>
<link rel="stylesheet" href="{{ url_for('static', filename='css/styles.css') }}">
</head>
<body>
<div class="grid">
<div class="box">
<p>According to the number of seconds, latitude and longitude, which country is likely to have reported seeing a UFO?</p>
<form action="{{ url_for('predict')}}" method="post">
<input type="number" name="seconds" placeholder="Seconds" required="required" min="0" max="60" />
<input type="text" name="latitude" placeholder="Latitude" required="required" />
<input type="text" name="longitude" placeholder="Longitude" required="required" />
<button type="submit" class="btn">Predict country where the UFO is seen</button>
</form>
<p>{{ prediction_text }}</p>
</div>
</div>
</body>
</html>
```
看看這個文件中的模板。請註意應用程序將提供的變量周圍的「mustache」語法例如預測文本`{{}}`。還有一個表單可以將預測發布到 `/predict` 路由。
最後,你已準備好構建使用模型和顯示預測的 python 文件:
9. 在`app.py`中添加:
```python
import numpy as np
from flask import Flask, request, render_template
import pickle
app = Flask(__name__)
model = pickle.load(open("./ufo-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 = prediction[0]
countries = ["Australia", "Canada", "Germany", "UK", "US"]
return render_template(
"index.html", prediction_text="Likely country: {}".format(countries[output])
)
if __name__ == "__main__":
app.run(debug=True)
```
> 💡 提示:當你在使用 Flask 運行 Web 應用程序時添加 [`debug=True`](https://www.askpython.com/python-modules/flask/flask-debug-mode)時你對應用程序所做的任何更改將立即反映,無需重新啟動服務器。註意!不要在生產應用程序中啟用此模式
如果你運行 `python app.py``python3 app.py` - 你的網絡服務器在本地啟動,你可以填寫一個簡短的表格來回答你關於在哪裏看到 UFO 的問題!
在此之前,先看一下 `app.py` 的實現:
1. 首先,加載依賴項並啟動應用程序。
2. 然後,導入模型。
3. 然後,在 home 路由上渲染 index.html。
`/predict` 路由上,當表單被發布時會發生幾件事情:
1. 收集表單變量並轉換為 numpy 數組。然後將它們發送到模型並返回預測。
2. 我們希望顯示的國家/地區根據其預測的國家/地區代碼重新呈現為可讀文本,並將該值發送回 index.html 以在模板中呈現。
以這種方式使用模型,包括 Flask 和 pickled 模型,是相對簡單的。最困難的是要理解數據是什麽形狀的,這些數據必須發送到模型中才能得到預測。這完全取決於模型是如何訓練的。有三個數據要輸入,以便得到一個預測。
在一個專業的環境中,你可以看到訓練模型的人和在 Web 或移動應用程序中使用模型的人之間的良好溝通是多麽的必要。在我們的情況下,只有一個人,你!
---
## 🚀 挑戰
你可以在 Flask 應用程序中訓練模型,而不是在 notebook 上工作並將模型導入 Flask 應用程序!嘗試在 notebook 中轉換 Python 代碼,可能是在清除數據之後,從應用程序中的一個名為 `train` 的路徑訓練模型。采用這種方法的利弊是什麽?
## [課後測](https://white-water-09ec41f0f.azurestaticapps.net/quiz/18/)
## 復習與自學
有很多方法可以構建一個Web應用程序來使用ML模型。列出可以使用JavaScript或Python構建Web應用程序以利用機器學習的方法。考慮架構模型應該留在應用程序中還是存在於雲中如果是後者你將如何訪問它為應用的ML Web解決方案繪製架構模型。
## 任務
[嘗試不同的模型](./assignment.zh-tw.md)

@ -0,0 +1,12 @@
# 嘗試不同的模型
## 說明
現在你已經能夠使用一個經過訓練的回歸模型來搭建web應用程序那麽請你從前面的回歸課程中重新選擇一個模型來重做一遍web應用程序。你可以使用原來的風格或者其他不同的風格進行設計來展示pumpkin數據。註意更改輸入以反映模型的訓練方法。
## 評判標準
| 標準 | 優秀 | 中規中矩 | 仍需努力 |
| -------------------------- | --------------------------------------------------------- | --------------------------------------------------------- | -------------------------------------- |
| | web應用程序按預期運行並部署到雲端 | web應用程序存在缺陷或者顯示意想不到的結果 | web應用程序無法正常運行 |

@ -0,0 +1,22 @@
# 構建一個 Web 應用程序來使用您的機器學習模型
課程的本章節將為您介紹機器學習的應用:如何保存您的 Scikit-learn 模型為文件以便在 Web 應用程序中使用該模型進行預測。模型保存後,您將學習如何在一個由 Flask 構建的 Web 應用程序中使用它。首先,您將會使用一些 UFO 目擊事件的數據去創建一個模型!然後,您將構建一個 Web 應用程序,這個應用程序能讓您輸入秒數,經度,緯度來預測哪個國家會報告 UFO 目擊事件。
![UFO Parking](../images/ufo.jpg)
圖片由 <a href="https://unsplash.com/@mdherren?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Michael Herren</a> 拍攝,來自 <a href="https://unsplash.com/s/photos/ufo?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
## 教程
1. [構建一個 Web 應用程序](../1-Web-App/translations/README.zh-tw.md)
## 致謝
"構建一個 Web 應用程序" 由 [Jen Looper](https://twitter.com/jenlooper) 用 ♥ 編寫️
測驗由 Rohan Raj 用 ♥️ 編寫
數據集來自 [Kaggle](https://www.kaggle.com/NUFORC/ufo-sightings)
Web 應用程序的架構一部分參考了 Abhinav Sagar 的[文章](https://towardsdatascience.com/how-to-easily-deploy-machine-learning-models-using-flask-b95af8fe34d4)和[倉庫](https://github.com/abhinavsagar/machine-learning-deployment)
Loading…
Cancel
Save