ML-For-Beginners/3-Web-App/1-Web-App/translations

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：

1. 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()
   

2. 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()
   

3. 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()
   

4. 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。

1. 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)
   

2. 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。

1. 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。

2. 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

3. 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
   

4. 現在，進入 web-app 文件夾：

   cd web-app
   

5. 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
   

6. 現在，你已準備好創建另外三個文件來完成應用程序：

   1. 在根目錄中創建 app.py。
   2. 在 templates 目錄中創建index.html。
   3. 在 static/css 目錄中創建styles.css。

7. 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;
   }
   

8. 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：

9. 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：

1. 首先，加載依賴項並啟動應用程序。
2. 然後，導入模型。
3. 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：

1. 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。
2. 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。

任務

嘗試不同的模型