15 KiB

Raw Permalink Blame History Unescape Escape

Bir Mutfak Tavsiye Web Uygulaması Oluşturun

Bu derste, önceki derslerde öğrendiğiniz bazı teknikleri kullanarak ve bu seride kullanılan lezzetli mutfak veri setiyle bir sınıflandırma modeli oluşturacaksınız. Ayrıca, kaydedilmiş bir modeli kullanmak için Onnx'in web çalışma zamanını kullanarak küçük bir web uygulaması geliştireceksiniz.

Makine öğreniminin en faydalı pratik kullanımlarından biri öneri sistemleri oluşturmaktır ve bugün bu yönde ilk adımı atabilirsiniz!

🎥 Yukarıdaki görüntüye tıklayın: Jen Looper sınıflandırılmış mutfak verilerini kullanarak bir web uygulaması oluşturuyor

Ders Öncesi Test

Bu derste öğreneceksiniz:

Bir model nasıl oluşturulur ve Onnx modeli olarak nasıl kaydedilir
Netron'u kullanarak modeli nasıl inceleyeceğiniz
Modelinizi bir web uygulamasında çıkarım için nasıl kullanacağınız

Modelinizi Oluşturun

Uygulamalı ML sistemleri oluşturmak, bu teknolojileri iş sistemlerinizde kullanmanın önemli bir parçasıdır. Onnx kullanarak modelleri web uygulamalarınızda (ve gerekirse çevrimdışı bir bağlamda) kullanabilirsiniz.

Önceki bir derste, UFO gözlemleri hakkında bir Regresyon modeli oluşturmuş, "pickle" yapmış ve bunu bir Flask uygulamasında kullanmıştınız. Bu mimariyi bilmek çok faydalı olsa da, bu tam yığın bir Python uygulamasıdır ve gereksinimleriniz bir JavaScript uygulamasını kullanmayı içerebilir.

Bu derste, çıkarım için temel bir JavaScript tabanlı sistem oluşturabilirsiniz. Ancak önce bir model eğitmeniz ve Onnx ile kullanmak üzere dönüştürmeniz gerekiyor.

Egzersiz - Sınıflandırma Modeli Eğitin

Öncelikle, kullandığımız temizlenmiş mutfak veri setini kullanarak bir sınıflandırma modeli eğitin.

Faydalı kütüphaneleri içe aktararak başlayın:
```
!pip install skl2onnx
import pandas as pd 
```
Scikit-learn modelinizi Onnx formatına dönüştürmeye yardımcı olmak için 'skl2onnx' gereklidir.
Ardından, önceki derslerde yaptığınız gibi bir CSV dosyasını read_csv() kullanarak işleyin:
```
data = pd.read_csv('../data/cleaned_cuisines.csv')
data.head()
```
İlk iki gereksiz sütunu kaldırın ve kalan verileri 'X' olarak kaydedin:
```
X = data.iloc[:,2:]
X.head()
```
Etiketleri 'y' olarak kaydedin:
```
y = data[['cuisine']]
y.head()
```

Eğitim Rutini Başlatın

'SVC' kütüphanesini kullanacağız çünkü iyi bir doğruluğa sahiptir.

Scikit-learn'den uygun kütüphaneleri içe aktarın:

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

Eğitim ve test setlerini ayırın:

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.3)

Önceki derste yaptığınız gibi bir SVC Sınıflandırma modeli oluşturun:

model = SVC(kernel='linear', C=10, probability=True,random_state=0)
model.fit(X_train,y_train.values.ravel())

Şimdi modelinizi test edin, predict() çağırarak:
```
y_pred = model.predict(X_test)
```

Modelin kalitesini kontrol etmek için bir sınıflandırma raporu yazdırın:

print(classification_report(y_test,y_pred))

Daha önce gördüğümüz gibi, doğruluk iyidir:

                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

Modelinizi Onnx'e Dönüştürün

Dönüşümü doğru Tensor numarasıyla yaptığınızdan emin olun. Bu veri setinde 380 malzeme listelenmiştir, bu nedenle FloatTensorType içinde bu numarayı belirtmeniz gerekir:

380 tensor numarası kullanarak dönüştürün.

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}}

Onx oluşturun ve model.onnx dosyası olarak kaydedin:
```
onx = convert_sklearn(model, initial_types=initial_type, options=options)
with open("./model.onnx", "wb") as f:
    f.write(onx.SerializeToString())
```
Not: Dönüşüm betiğinizde seçenekler geçirebilirsiniz. Bu durumda, 'nocl' True ve 'zipmap' False olarak ayarlandı. Bu bir sınıflandırma modeli olduğundan, bir liste sözlükleri üreten ZipMap'i kaldırma seçeneğiniz vardır (gerekli değil). nocl, sınıf bilgilerinin modele dahil edilmesini ifade eder. Modelinizin boyutunu azaltmak için nocl'yi 'True' olarak ayarlayın.

Tüm not defterini çalıştırmak artık bir Onnx modeli oluşturacak ve bu klasöre kaydedecektir.

Modelinizi Görüntüleyin

Onnx modelleri Visual Studio Code'da çok görünür değildir, ancak birçok araştırmacının modeli doğru bir şekilde oluşturulduğundan emin olmak için kullandığı çok iyi bir ücretsiz yazılım vardır. Netron'u indirin ve model.onnx dosyanızı açın. Basit modelinizi, 380 girdisi ve sınıflandırıcısı ile görselleştirilmiş olarak görebilirsiniz:

Netron, modellerinizi görüntülemek için faydalı bir araçtır.

Artık bu harika modeli bir web uygulamasında kullanmaya hazırsınız. Buzdolabınıza baktığınızda ve kalan malzemelerinizin hangi kombinasyonunu kullanarak modeliniz tarafından belirlenen bir mutfağı pişirebileceğinizi anlamaya çalıştığınızda işe yarayacak bir uygulama oluşturalım.

Bir Tavsiye Web Uygulaması Oluşturun

Modelinizi doğrudan bir web uygulamasında kullanabilirsiniz. Bu mimari, gerekirse yerel olarak ve hatta çevrimdışı çalıştırmanıza da olanak tanır. index.html dosyasını, model.onnx dosyanızı kaydettiğiniz aynı klasörde oluşturarak başlayın.

Bu dosyada index.html, aşağıdaki işaretlemeyi ekleyin:

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

Şimdi, body etiketleri içinde, bazı malzemeleri yansıtan bir dizi onay kutusu göstermek için biraz işaretleme ekleyin:

<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>

Her onay kutusuna bir değer verildiğini fark edin. Bu, veri setine göre malzemenin bulunduğu indeksi yansıtır. Örneğin, elma bu alfabetik listede beşinci sütunu işgal eder, bu nedenle değeri '4' olur çünkü 0'dan saymaya başlıyoruz. Belirli bir malzemenin indeksini keşfetmek için malzeme elektronik tablosunu inceleyebilirsiniz.

Çalışmanızı index.html dosyasında sürdürerek, son kapanış </div> etiketinden sonra bir script bloğu ekleyin.

İlk olarak, Onnx Runtime içe aktarın:
```
<script src="https://cdn.jsdelivr.net/npm/onnxruntime-web@1.9.0/dist/ort.min.js"></script> 
```
Onnx Runtime, Onnx modellerinizi geniş bir donanım platformu yelpazesinde çalıştırmayı sağlamak için optimizasyonlar ve bir API sunar.

Runtime yerleştirildikten sonra, onu çağırabilirsiniz:

<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>

Bu kodda birkaç şey oluyor:

Seçilen malzeme onay kutusuna bağlı olarak çıkarım için modele gönderilecek 380 olası değer (1 veya 0) içeren bir dizi oluşturdunuz.
Uygulama başladığında çağrılan bir init fonksiyonunda bir dizi onay kutusu ve bunların işaretlenip işaretlenmediğini belirleme yöntemi oluşturdunuz. Bir onay kutusu işaretlendiğinde, ingredients dizisi seçilen malzemeyi yansıtacak şekilde değişir.
Herhangi bir onay kutusunun işaretlenip işaretlenmediğini kontrol eden bir testCheckboxes fonksiyonu oluşturdunuz.
Bir düğmeye basıldığında startInference fonksiyonunu kullanıyorsunuz ve herhangi bir onay kutusu işaretlenmişse çıkarımı başlatıyorsunuz.
Çıkarım rutini şunları içerir:
1. Modelin asenkron yüklenmesini ayarlama
2. Modele gönderilecek bir Tensor yapısı oluşturma
3. Eğitim sırasında oluşturduğunuz float_input girdisini yansıtan 'feeds' oluşturma (adı doğrulamak için Netron'u kullanabilirsiniz)
4. Bu 'feeds'leri modele gönderme ve bir yanıt bekleme

Uygulamanızı Test Edin

Visual Studio Code'da index.html dosyanızın bulunduğu klasörde bir terminal oturumu açın. http-server'ın global olarak yüklü olduğundan emin olun ve istemde http-server yazın. Bir localhost açılmalı ve web uygulamanızı görüntüleyebilirsiniz. Çeşitli malzemelere göre hangi mutfağın önerildiğini kontrol edin:

Tebrikler, birkaç alan içeren bir 'tavsiye' web uygulaması oluşturdunuz. Bu sistemi geliştirmek için biraz zaman ayırın!

🚀Meydan Okuma

Web uygulamanız oldukça minimal, bu yüzden ingredient_indexes verilerinden malzemeleri ve indekslerini kullanarak geliştirmeye devam edin. Hangi lezzet kombinasyonları belirli bir ulusal yemeği oluşturmak için işe yarıyor?

Ders Sonrası Test

Gözden Geçirme ve Kendi Kendine Çalışma

Bu ders, yemek malzemeleri için bir öneri sistemi oluşturmanın faydasını sadece yüzeysel olarak ele aldı, ancak bu ML uygulamaları alanı örneklerle oldukça zengindir. Bu sistemlerin nasıl oluşturulduğu hakkında daha fazla bilgi edinin:

Ödev

Yeni bir öneri sistemi oluşturun

Feragatname:
Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz.

15 KiB Raw Permalink Blame History Unescape Escape