|
|
|
|
@ -0,0 +1,347 @@
|
|
|
|
|
# 构建使用ML模型的Web应用程序
|
|
|
|
|
|
|
|
|
|
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[NUFORC的数据库](https://www.nuforc.org)。
|
|
|
|
|
|
|
|
|
|
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
|
|
|
|
|
|
|
|
|
|
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，你需要使用Flask构建一个web应用程序。
|
|
|
|
|
|
|
|
|
|
## [课前测](https://jolly-sea-0a877260f.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，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
|
|
|
|
|
|
|
|
|
|
你需要问很多问题：
|
|
|
|
|
|
|
|
|
|
- **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[TensorFlow Lite](https://www.tensorflow.org/lite/)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Tensor flow**。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[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（软件即服务）系统，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)来训练模型，这种类型的软件提供了为许多平台导出模型的方法，包括构建一个定制API，供在线应用程序在云中查询。
|
|
|
|
|
|
|
|
|
|
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，既然我们一直在使用基于Python的notebook，那么就让我们探讨一下将经过训练的模型从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，你需要两个工具：Flask和Pickle，它们都在Python上运行。
|
|
|
|
|
|
|
|
|
|
✅ 什么是 [Flask](https://palletsprojects.com/p/flask/)？ 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)？ Pickle🥒是一 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，你将其结构序列化或展平以在 Web上使用。小心：pickle本质上不是安全的，所以如果提示“un-pickle”文件，请小心。生产的文件具有后缀`.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）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”。
|
|
|
|
|
|
|
|
|
|
[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。
|
|
|
|
|
|
|
|
|
|
在包含在本课中的空白[notebook](notebook.ipynb)中：
|
|
|
|
|
|
|
|
|
|
1. 像在之前的课程中一样导入`pandas`、`matplotlib`和`numpy`，然后导入ufos电子表格。你可以查看一个示例数据集：
|
|
|
|
|
|
|
|
|
|
```python
|
|
|
|
|
import pandas as pd
|
|
|
|
|
import numpy as np
|
|
|
|
|
|
|
|
|
|
ufos = pd.read_csv('../data/ufos.csv')
|
|
|
|
|
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。
|
|
|
|
|
|
|
|
|
|
```python
|
|
|
|
|
ufos = pd.DataFrame({'Seconds': ufos['duration (seconds)'], 'Country': ufos['country'],'Latitude': ufos['latitude'],'Longitude': ufos['longitude']})
|
|
|
|
|
|
|
|
|
|
ufos.Country.unique()
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
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)
|
|
|
|
|
|
|
|
|
|
ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)]
|
|
|
|
|
|
|
|
|
|
ufos.info()
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
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
|
|
|
|
|
|
|
|
|
|
```python
|
|
|
|
|
from sklearn.preprocessing import LabelEncoder
|
|
|
|
|
|
|
|
|
|
ufos['Country'] = LabelEncoder().fit_transform(ufos['Country'])
|
|
|
|
|
|
|
|
|
|
ufos.head()
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
你的数据应如下所示：
|
|
|
|
|
|
|
|
|
|
```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
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
## 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。
|
|
|
|
|
|
|
|
|
|
1. 选择要训练的三个特征作为X向量，y向量将是`Country` 你希望能够输入`Seconds`、`Latitude`和`Longitude`并获得要返回的国家/地区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. 使用逻辑回归训练模型：
|
|
|
|
|
|
|
|
|
|
```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))
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
准确率还不错**（大约 95%）**，不出所料，因为`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`，但是，尝试从清理、导出的原始数据进行训练，然后在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，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
|
|
|
|
|
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]]))
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
该模型返回**'3'**，这是英国的国家代码。👽
|
|
|
|
|
|
|
|
|
|
## 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，但以一种更美观的方式。
|
|
|
|
|
|
|
|
|
|
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
|
|
|
|
|
|
|
|
|
|
```output
|
|
|
|
|
web-app/
|
|
|
|
|
static/
|
|
|
|
|
css/
|
|
|
|
|
templates/
|
|
|
|
|
notebook.ipynb
|
|
|
|
|
ufo-model.pkl
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
✅ 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，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
|
|
|
|
|
pandas
|
|
|
|
|
numpy
|
|
|
|
|
flask
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
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`，以安装_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：
|
|
|
|
|
|
|
|
|
|
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：
|
|
|
|
|
|
|
|
|
|
```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. 接下来，构建_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，例如预测文本：`{{}}`。还有一个表单可以将预测发布到`/predict`路由。
|
|
|
|
|
|
|
|
|
|
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:
|
|
|
|
|
|
|
|
|
|
```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：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，你可以填写一个简短的表格来回答你关于在哪里看到UFO的问题！
|
|
|
|
|
|
|
|
|
|
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，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：
|
|
|
|
|
|
|
|
|
|
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，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，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:
|
|
|
|
|
|
|
|
|
|
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://jolly-sea-0a877260f.azurestaticapps.net/quiz/18/)
|
|
|
|
|
|
|
|
|
|
## 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：模型应该留在应用程序中还是存在于云中？如果是后者，你将如何访问它？为应用的ML Web解决方案绘制架构模型。
|
|
|
|
|
|
|
|
|
|
## 任务
|
|
|
|
|
|
|
|
|
|
[尝试不同的模型](../assignment.md)
|
|
|
|
|
|
|
|
|
|
|
edgargonarr
3 years ago
committed by
GitHub