You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
ML-For-Beginners/3-Web-App/1-Web-App/translations/README.zh-cn.md

14 KiB

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

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

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 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 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 等库构建模型,则可以选择将其导出到 ONNX(开放神经网络交换)格式,用于可以使用 Onnx Runtime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.aiAzure Custom Vision 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A PI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 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。看看本学习单元练习使用 Flask 构建应用程序。

什么是 Pickle Pickle🥒是一个 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(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 电子表格包括有关目击事件发生的 citystatecountry、对象的 shape 及其 latitudelongitude 的列。

在包含在本课中的空白 notebook 中:

  1. 像在之前的课程中一样导入 pandasmatplotlibnumpy,然后导入 ufos 电子表格。你可以查看一个示例数据集:

    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。

    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:

    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

    from sklearn.preprocessing import LabelEncoder
    
    ufos['Country'] = LabelEncoder().fit_transform(ufos['Country'])
    
    ufos.head()
    

    你的数据应如下所示:

    	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 SecondsLatitudeLongitude 并获得要返回的国家/地区 ID。

    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:

    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 CountryLatitude/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 LatitudeLongitude 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,

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 csstemplates。 你现在应该拥有以下文件和目录

    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. 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:

    scikit-learn
    pandas
    numpy
    flask
    
  4. 现在,进入 web-app 文件夹:

    cd web-app
    
  5. 在你的终端中输入 pip install,以安装 reuirements.txt 中列出的库:

    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. templates 目录中创建index.html
    3. static/css 目录中创建styles.css
  7. 使用一些样式构建 styles.css 文件:

    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:

    <!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. app.py中添加:

    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.pypython3 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。

/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

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