|
2 years ago | |
---|---|---|
.. | ||
README.es.md | 2 years ago | |
README.it.md | 2 years ago | |
README.ja.md | 2 years ago | |
README.ko.md | 2 years ago | |
README.pt-br.md | 2 years ago | |
README.pt.md | 2 years ago | |
README.zh-cn.md | 2 years ago | |
README.zh-tw.md | 2 years ago | |
assignment.es.md | 3 years ago | |
assignment.it.md | 3 years ago | |
assignment.ja.md | 3 years ago | |
assignment.ko.md | 3 years ago | |
assignment.pt-br.md | 3 years ago | |
assignment.pt.md | 3 years ago | |
assignment.zh-cn.md | 3 years ago | |
assignment.zh-tw.md | 2 years ago |
README.zh-tw.md
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。
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
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 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 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 等庫構建模型,則可以選擇將其導出到 ONNX(開放神經網絡交換)格式,用於可以使用 Onnx Runtime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 或 Azure Custom Vision 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? 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。看看本學習單元練習使用 Flask 構建應用程序。
✅ 什麽是 Pickle? 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(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 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
和 longitude
的列。
在包含在本課中的空白 notebook 中:
-
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:import pandas as pd import numpy as np ufos = pd.read_csv('../data/ufos.csv') ufos.head()
-
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。ufos = pd.DataFrame({'Seconds': ufos['duration (seconds)'], 'Country': ufos['country'],'Latitude': ufos['latitude'],'Longitude': ufos['longitude']}) ufos.Country.unique()
-
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:
ufos.dropna(inplace=True) ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)] ufos.info()
-
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
from sklearn.preprocessing import LabelEncoder ufos['Country'] = LabelEncoder().fit_transform(ufos['Country']) ufos.head()
你的數據應如下所示:
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
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。
-
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。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)
-
使用邏輯回歸訓練模型:
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))
準確率還不錯 (大約 95%),不出所料,因為 Country
和 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
和 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,
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。
-
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。
-
在該文件夾中創建另外三個文件夾:static,其中有文件夾 css 和 templates。 你現在應該擁有以下文件和目錄
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
-
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:
scikit-learn pandas numpy flask
-
現在,進入 web-app 文件夾:
cd web-app
-
在你的終端中輸入
pip install
,以安裝 reuirements.txt 中列出的庫:pip install -r requirements.txt
-
現在,你已準備好創建另外三個文件來完成應用程序:
- 在根目錄中創建 app.py。
- 在 templates 目錄中創建index.html。
- 在 static/css 目錄中創建styles.css。
-
使用一些樣式構建 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; }
-
接下來,構建 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:
-
在
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:當你在使用 Flask 運行 Web 應用程序時添加
debug=True
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
或 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:
- 首先,加載依賴項並啟動應用程序。
- 然後,導入模型。
- 然後,在 home 路由上渲染 index.html。
在 /predict
路由上,當表單被發布時會發生幾件事情:
- 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。
- 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
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。