History

leestott e4050807fb 🌐 Update translations via Co-op Translator		2 weeks ago
..
solution	🌐 Update translations via Co-op Translator	3 weeks ago
README.md	🌐 Update translations via Co-op Translator	2 weeks ago
assignment.md	🌐 Update translations via Co-op Translator	2 weeks ago
notebook.ipynb	🌐 Update translations via Co-op Translator	3 weeks ago

README.md

Unescape Escape

Създаване на уеб приложение за препоръки на кухни

В този урок ще създадете модел за класификация, използвайки някои от техниките, които научихте в предишните уроци, и с помощта на вкусния набор от данни за кухни, използван в тази серия. Освен това ще изградите малко уеб приложение, което използва запазен модел, като се възползвате от уеб средата на Onnx.

Едно от най-полезните практически приложения на машинното обучение е създаването на системи за препоръки, и днес можете да направите първата стъпка в тази посока!

🎥 Кликнете върху изображението по-горе за видео: Джен Лупър създава уеб приложение, използвайки класифицирани данни за кухни

Тест преди урока

В този урок ще научите:

Как да създадете модел и да го запазите като Onnx модел
Как да използвате Netron за инспекция на модела
Как да използвате модела си в уеб приложение за извършване на предсказания

Създайте своя модел

Създаването на приложни ML системи е важна част от използването на тези технологии за вашите бизнес системи. Можете да използвате модели в уеб приложенията си (и следователно да ги използвате в офлайн контекст, ако е необходимо) чрез Onnx.

В предишен урок създадохте регресионен модел за наблюдения на НЛО, "пиклирахте" го и го използвахте във Flask приложение. Въпреки че тази архитектура е много полезна, тя представлява пълноценна Python апликация, а вашите изисквания може да включват използването на JavaScript приложение.

В този урок можете да създадете базова JavaScript-базирана система за предсказания. Но първо трябва да обучите модел и да го конвертирате за използване с Onnx.

Упражнение - обучение на модел за класификация

Първо, обучете модел за класификация, използвайки почистения набор от данни за кухни, който използвахме.

Започнете с импортиране на полезни библиотеки:
```
!pip install skl2onnx
import pandas as pd 
```
Ще ви трябва 'skl2onnx', за да помогне при конвертирането на вашия Scikit-learn модел в Onnx формат.
След това работете с данните си по същия начин, както в предишните уроци, като прочетете CSV файл с read_csv():
```
data = pd.read_csv('../data/cleaned_cuisines.csv')
data.head()
```
Премахнете първите две ненужни колони и запазете останалите данни като 'X':
```
X = data.iloc[:,2:]
X.head()
```
Запазете етикетите като 'y':
```
y = data[['cuisine']]
y.head()
```

Започнете рутината за обучение

Ще използваме библиотеката 'SVC', която има добра точност.

Импортирайте подходящите библиотеки от Scikit-learn:

from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score
from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report

Разделете данните на тренировъчен и тестов набор:
```
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.3)
```
Създайте SVC модел за класификация, както направихте в предишния урок:
```
model = SVC(kernel='linear', C=10, probability=True,random_state=0)
model.fit(X_train,y_train.values.ravel())
```
Сега тествайте модела си, като извикате predict():
```
y_pred = model.predict(X_test)
```

Отпечатайте отчет за класификация, за да проверите качеството на модела:

print(classification_report(y_test,y_pred))

Както видяхме преди, точността е добра:

                precision    recall  f1-score   support

     chinese       0.72      0.69      0.70       257
      indian       0.91      0.87      0.89       243
    japanese       0.79      0.77      0.78       239
      korean       0.83      0.79      0.81       236
        thai       0.72      0.84      0.78       224

    accuracy                           0.79      1199
   macro avg       0.79      0.79      0.79      1199
weighted avg       0.79      0.79      0.79      1199

Конвертирайте модела си в Onnx

Уверете се, че правите конверсията с правилния брой тензори. Този набор от данни има 380 изброени съставки, така че трябва да отбележите този брой в FloatTensorType:

Конвертирайте, използвайки тензор с брой 380.

from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType

initial_type = [('float_input', FloatTensorType([None, 380]))]
options = {id(model): {'nocl': True, 'zipmap': False}}

Създайте onx файл и го запазете като model.onnx:
```
onx = convert_sklearn(model, initial_types=initial_type, options=options)
with open("./model.onnx", "wb") as f:
    f.write(onx.SerializeToString())
```
Забележка: Можете да предадете опции във вашия скрипт за конверсия. В този случай зададохме 'nocl' да бъде True и 'zipmap' да бъде False. Тъй като това е модел за класификация, имате възможност да премахнете ZipMap, който произвежда списък от речници (не е необходимо). nocl се отнася до включването на информация за класовете в модела. Намалете размера на модела си, като зададете nocl на 'True'.

Изпълнението на целия ноутбук сега ще създаде Onnx модел и ще го запази в тази папка.

Прегледайте модела си

Onnx моделите не са много видими във Visual Studio Code, но има много добър безплатен софтуер, който много изследователи използват, за да визуализират модела и да се уверят, че е правилно създаден. Изтеглете Netron и отворете вашия model.onnx файл. Можете да видите вашия прост модел визуализиран, с неговите 380 входа и класификатор:

Netron е полезен инструмент за преглед на вашите модели.

Сега сте готови да използвате този интересен модел в уеб приложение. Нека създадем приложение, което ще бъде полезно, когато погледнете в хладилника си и се опитате да разберете коя комбинация от останалите ви съставки можете да използвате, за да приготвите дадена кухня, определена от вашия модел.

Създайте уеб приложение за препоръки

Можете да използвате модела си директно в уеб приложение. Тази архитектура също така ви позволява да го стартирате локално и дори офлайн, ако е необходимо. Започнете, като създадете файл index.html в същата папка, където сте запазили вашия model.onnx файл.

В този файл index.html добавете следния маркъп:

<!DOCTYPE html>
<html>
    <header>
        <title>Cuisine Matcher</title>
    </header>
    <body>
        ...
    </body>
</html>

Сега, работейки в таговете body, добавете малко маркъп, за да покажете списък с чекбоксове, отразяващи някои съставки:

<h1>Check your refrigerator. What can you create?</h1>
        <div id="wrapper">
            <div class="boxCont">
                <input type="checkbox" value="4" class="checkbox">
                <label>apple</label>
            </div>

            <div class="boxCont">
                <input type="checkbox" value="247" class="checkbox">
                <label>pear</label>
            </div>

            <div class="boxCont">
                <input type="checkbox" value="77" class="checkbox">
                <label>cherry</label>
            </div>

            <div class="boxCont">
                <input type="checkbox" value="126" class="checkbox">
                <label>fenugreek</label>
            </div>

            <div class="boxCont">
                <input type="checkbox" value="302" class="checkbox">
                <label>sake</label>
            </div>

            <div class="boxCont">
                <input type="checkbox" value="327" class="checkbox">
                <label>soy sauce</label>
            </div>

            <div class="boxCont">
                <input type="checkbox" value="112" class="checkbox">
                <label>cumin</label>
            </div>
        </div>
        <div style="padding-top:10px">
            <button onClick="startInference()">What kind of cuisine can you make?</button>
        </div>

Забележете, че на всеки чекбокс е зададена стойност. Това отразява индекса, където съставката се намира според набора от данни. Например, ябълката в този азбучен списък заема петата колона, така че нейната стойност е '4', тъй като започваме броенето от 0. Можете да се консултирате с електронната таблица със съставки, за да откриете индекса на дадена съставка.

Продължавайки работата си във файла index.html, добавете блок със скрипт, където моделът се извиква след последния затварящ </div>.

Първо, импортирайте Onnx Runtime:
```
<script src="https://cdn.jsdelivr.net/npm/onnxruntime-web@1.9.0/dist/ort.min.js"></script> 
```
Onnx Runtime се използва, за да позволи изпълнението на вашите Onnx модели на широк спектър от хардуерни платформи, включително оптимизации и API за използване.

След като Runtime е на място, можете да го извикате:

<script>
    const ingredients = Array(380).fill(0);

    const checks = [...document.querySelectorAll('.checkbox')];

    checks.forEach(check => {
        check.addEventListener('change', function() {
            // toggle the state of the ingredient
            // based on the checkbox's value (1 or 0)
            ingredients[check.value] = check.checked ? 1 : 0;
        });
    });

    function testCheckboxes() {
        // validate if at least one checkbox is checked
        return checks.some(check => check.checked);
    }

    async function startInference() {

        let atLeastOneChecked = testCheckboxes()

        if (!atLeastOneChecked) {
            alert('Please select at least one ingredient.');
            return;
        }
        try {
            // create a new session and load the model.

            const session = await ort.InferenceSession.create('./model.onnx');

            const input = new ort.Tensor(new Float32Array(ingredients), [1, 380]);
            const feeds = { float_input: input };

            // feed inputs and run
            const results = await session.run(feeds);

            // read from results
            alert('You can enjoy ' + results.label.data[0] + ' cuisine today!')

        } catch (e) {
            console.log(`failed to inference ONNX model`);
            console.error(e);
        }
    }

</script>

В този код се случват няколко неща:

Създадохте масив от 380 възможни стойности (1 или 0), които да бъдат зададени и изпратени към модела за предсказание, в зависимост от това дали чекбоксът за съставка е маркиран.
Създадохте масив от чекбоксове и начин за определяне дали са маркирани във функция init, която се извиква при стартиране на приложението. Когато чекбокс е маркиран, масивът ingredients се променя, за да отрази избраната съставка.
Създадохте функция testCheckboxes, която проверява дали някой чекбокс е маркиран.
Използвате функцията startInference, когато бутонът е натиснат, и ако някой чекбокс е маркиран, започвате предсказанието.
Рутината за предсказание включва:
1. Настройка на асинхронно зареждане на модела
2. Създаване на структура Tensor, която да се изпрати към модела
3. Създаване на 'feeds', които отразяват входа float_input, който създадохте при обучението на модела (можете да използвате Netron, за да проверите това име)
4. Изпращане на тези 'feeds' към модела и изчакване на отговор

Тествайте приложението си

Отворете терминална сесия във Visual Studio Code в папката, където се намира вашият файл index.html. Уверете се, че имате инсталиран глобално http-server, и напишете http-server в командния ред. Трябва да се отвори localhost, където можете да видите вашето уеб приложение. Проверете коя кухня се препоръчва въз основа на различни съставки:

Поздравления, създадохте уеб приложение за препоръки с няколко полета. Отделете време, за да разширите тази система!

🚀Предизвикателство

Вашето уеб приложение е много минимално, така че продължете да го разширявате, използвайки съставките и техните индекси от данните ingredient_indexes. Какви комбинации от вкусове работят за създаване на дадено национално ястие?

Тест след урока

Преглед и самостоятелно обучение

Докато този урок само докосна полезността на създаването на система за препоръки за хранителни съставки, тази област на ML приложения е много богата на примери. Прочетете повече за това как се изграждат тези системи:

Задача

Създайте нова система за препоръки

Отказ от отговорност:
Този документ е преведен с помощта на AI услуга за превод Co-op Translator. Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.

README.md Unescape Escape