16 KiB

Raw Blame History

Criar um Aplicativo Web para usar um Modelo ML

Nesta lição, você treinará um modelo ML em um conjunto de dados que está fora deste mundo: Avistamentos de OVNIs no último século, provenientes do banco de dados do NUFORC.

Você aprenderá:

Como "picles" um modelo treinado
Como usar esse modelo em um aplicativo Flask

Continuaremos a usar notebooks para limpar dados e treinar nosso modelo, mas você pode levar o processo um passo adiante explorando o uso de um modelo "selvagem", por assim dizer: em um aplicativo Web.

Para fazer isso, você precisa construir um aplicativo Web usando Flask.

Teste de pré-aula

Criando um aplicativo

Há várias maneiras de criar aplicativos Web para consumir modelos de aprendizado de máquina. Sua arquitetura da Web pode influenciar a maneira como seu modelo é treinado. Imagine que você está trabalhando em um negócio onde o grupo de ciência de dados treinou um modelo que eles querem que você use em um aplicativo.

Considerações

Há muitas perguntas que você precisa fazer:

É um aplicativo Web ou um aplicativo móvel? Se você estiver criando um aplicativo móvel ou precisar usar o modelo em um contexto de IoT, poderá usar TensorFlow Lite e usar o modelo em um aplicativo Android ou iOS.
Onde o modelo residirá? Na nuvem ou localmente?
Suporte off-line. O aplicativo precisa trabalhar off-line?
Que tecnologia foi usada para treinar o modelo? A tecnologia escolhida pode influenciar as ferramentas que você precisa usar.
- Usando fluxo de Tensor. Se você estiver treinando um modelo usando TensorFlow, por exemplo, esse ecossistema oferece a capacidade de converter um modelo TensorFlow para uso em um aplicativo Web usando TensorFlow.js.
Usando o PyTorch. Se você estiver criando um modelo usando uma biblioteca como PyTorch, terá a opção de exportá-lo no formato ONNX (Open Neural Network Exchange) para uso em aplicativos Web JavaScript que podem usar o Onnx Runtime. Essa opção será explorada em uma lição futura para um modelo treinado com o Scikit.
Usando o Lobe.ai ou o Azure Custom Vision. Se você estiver usando um sistema ML SaaS (Software as a Service) como Lobe.ai ou Azure Custom Vision para treinar um modelo, esse tipo de software fornece maneiras de exportar o modelo para várias plataformas, incluindo a criação de uma API sob medida ser consultado na nuvem pelo aplicativo online.

Você também tem a oportunidade de construir um aplicativo web Flask inteiro que seria capaz de treinar o próprio modelo em um navegador da web. Isso também pode ser feito usando TensorFlow.js em um contexto JavaScript.

Para nossos propósitos, já que estamos trabalhando com notebooks baseados em Python, vamos explorar as etapas que você precisa seguir para exportar um modelo treinado de tal notebook para um formato legível por um aplicativo web construído em Python.

Ferramenta

Para esta tarefa, você precisa de duas ferramentas: Flask e Pickle, ambos em Python.

O que é Frasco? Definido como um 'microframework' por seus criadores, o Flask fornece as características básicas de frameworks web usando Python e um motor de modelagem para construir páginas web. Dê uma olhada em este módulo de aprendizado para praticar a construção com o Flask.

✅ O que é Pickle? Pickle 🥒 é um módulo Python que serializa e desserializa uma estrutura de objeto Python. Ao "pichar" um modelo, você serializa ou achata sua estrutura para uso na web. Tenha cuidado: o pickle não é intrinsecamente seguro, portanto, tenha cuidado se for solicitado a cancelar o pickle de um arquivo. Um arquivo em conserto tem o sufixo .pkl.

Exercício - limpar seus dados

Nesta lição, você usará dados de 80.000 avistamentos de UFO, coletados pelo NUFORC (Centro Nacional de Relatórios de UFO). Estes dados têm algumas descrições interessantes de avistamentos de UFO, por exemplo:

Descrição de exemplo longo. "Um homem emerge de um feixe de luz que brilha em um campo gramado à noite e corre em direção ao estacionamento da Texas Instruments".
Breve descrição do exemplo. "as luzes nos perseguiram".

A planilha ufos.csv inclui colunas sobre city, state e country onde ocorreu o avistamento, shape do objeto e sua latitude e longitude.

No espaço em branco notebook incluído nesta lição:

importe pandas, matplotlib e numpy como fez nas lições anteriores e importe a planilha ufos. Você pode dar uma olhada em um conjunto de dados de amostra:
```
import pandas as pd
import numpy as np

ufos = pd.read_csv('./data/ufos.csv')
ufos.head()
```

1.Converta os dados ufos em um pequeno dataframe com títulos novos. Verifique os valores exclusivos no campo País.

```python
ufos = pd.DataFrame({'Seconds': ufos['duration (seconds)'], 'Country': ufos['country'],'Latitude': ufos['latitude'],'Longitude': ufos['longitude']})

ufos.Country.unique()
```

Agora, você pode reduzir a quantidade de dados que precisamos lidar, eliminando quaisquer valores nulos e importando apenas avistamentos entre 1-60 segundos:
```
ufos.dropna(inplace=True)

ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)]

ufos.info()
```
Importe a biblioteca 'LabelEncoder' do Scikit-learn para converter os valores de texto dos países em um número:

✅ LabelEncoder codifica os dados em ordem alfabética

```python
from sklearn.preprocessing import LabelEncoder

ufos['Country'] = LabelEncoder().fit_transform(ufos['Country'])

ufos.head()
```

Seus dados devem ter esta aparência:

```output
	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
```

Exercício - construa seu modelo

Agora você pode se preparar para treinar um modelo dividindo os dados no grupo de treinamento e teste.

Selecione os três recursos que você deseja treinar como seu vetor X, e o vetor y será o País. Você quer digitar Segundos, Latitude e Longitude e obter um ID de país para retornar.

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)

Treine seu modelo usando regressão logística:

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))

A precisão não é ruim (cerca de 95%), sem surpresas, já que País e Latitude/Longitude se correlacionam.

O modelo que você criou não é muito revolucionário, pois você deve ser capaz de inferir um País a partir de sua Latitude e Longitude, mas é um bom exercício para tentar treinar a partir de dados brutos que você limpou, exportou e, em seguida, usar esse modelo em um aplicativo Web.

Exercício - 'pickle' seu modelo

Agora, é hora de pickle seu modelo! Você pode fazer isso em algumas linhas de código. Uma vez que seja pickled, carregue seu modelo em pickles e teste-o em uma matriz de dados de amostra contendo valores para segundos, latitude e longitude,

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]]))

O modelo retorna '3', que é o código de país do Reino Unido. Selvagem! 👽

Exercício - criar um aplicativo Flask

Agora você pode construir um aplicativo Flask para chamar seu modelo e retornar resultados semelhantes, mas de uma forma mais visualmente agradável.

Comece criando uma pasta chamada web-app ao lado do arquivo notebook.ipynb onde reside seu arquivo ufo-model.pkl.
Nessa pasta, crie mais três pastas: static, com uma pasta css dentro dela e templates. Agora você deve ter os seguintes arquivos e diretórios:
```
web-app/
  static/
    css/
  templates/
notebook.ipynb
ufo-model.pkl
```
✅ Consulte a pasta da solução para obter uma exibição do aplicativo concluído
O primeiro arquivo a ser criado na pasta web-app é o arquivo requirements.txt. Como package.json em um aplicativo JavaScript, esse arquivo lista as dependências exigidas pelo aplicativo. Em requirements.txt adicione as linhas:
```
scikit-learn
pandas
numpy
flask
```
Agora, execute este arquivo navegando para web-app:
```
cd web-app
```
Em seu terminal, digite pip install para instalar as bibliotecas listadas em requirements.txt:
```
pip install -r requirements.txt
```

1.Agora, você está pronto para criar mais três arquivos para concluir o aplicativo:

Crie app.py na raiz.
Crie index.html no diretório templates.
Crie styles.css no diretório static/css.

Construa o arquivo styles.css com alguns estilos:

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;
}

Em seguida, crie o arquivo index.html:

<!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>

Dê uma olhada na modelagem neste arquivo. Observe a sintaxe do 'bigode' ao redor das variáveis que serão fornecidas pelo aplicativo, como o texto de previsão: {{}}. Há também uma forma que publica uma previsão da rota /predict.

Finalmente, você está pronto para construir o arquivo python que direciona o consumo do modelo e a exibição de previsões:

Em app.py adicione:

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)

Dica: quando você adiciona debug=True ao executar o aplicativo Web usando Flask, todas as alterações feitas no aplicativo serão refletidas imediatamente sem a necessidade de reiniciar o servidor. Cuidado! Não habilite este modo em um aplicativo de produção.

Se você executar python app.py ou python3 app.py - seu servidor Web é iniciado localmente e você pode preencher um formulário curto para obter uma resposta para sua pergunta de gravação sobre onde os OVNIs foram avistados!

Antes de fazer isso, dê uma olhada nas partes de app.py:

Primeiro, as dependências são carregadas e o aplicativo inicia.
Então, o modelo é importado.
Então, index.html é renderizado na rota inicial.

Na rota /predict, várias coisas acontecem quando o formulário é publicado:

As variáveis de formulário são reunidas e convertidas em uma matriz numérica. Eles são então enviados para o modelo e uma previsão é retornada.
Os Países que queremos exibir são renderizados novamente como texto legível de seu código de país previsto, e esse valor é enviado de volta para index.html para ser renderizado no modelo.

Usando um modelo desta maneira, com Flask e um modelo em conserva, é relativamente simples. A coisa mais difícil é entender qual é a forma dos dados que devem ser enviados ao modelo para obter uma previsão. Tudo depende de como o modelo foi treinado. Este tem três pontos de dados para serem inseridos a fim de obter uma previsão.

Em um ambiente profissional, você pode ver como uma boa comunicação é necessária entre as pessoas que treinam o modelo e aqueles que o consomem em um aplicativo web ou móvel. No nosso caso, é só uma pessoa, você!

🚀Desafio

Em vez de trabalhar em um notebook e importar o modelo para o aplicativo Flask, você poderia treinar o modelo dentro do aplicativo Flask! Tente converter seu código Python no notebook, talvez depois que seus dados forem limpos, para treinar o modelo de dentro do aplicativo em uma rota chamada train. Quais são os prós e contras de se buscar esse método?

Teste pós-aula

Análise e autoestudo

Há muitas maneiras de construir um aplicativo Web para consumir modelos ML. Faça uma lista de maneiras de usar JavaScript ou Python para construir um aplicativo Web para aproveitar o aprendizado de máquina. Considere a arquitetura: o modelo deve permanecer no aplicativo ou viver na nuvem? Se o último, como você acessaria? Desenhe um modelo arquitetônico para uma solução web ML aplicada.

Atribuição

Tente um modelo diferente

16 KiB Raw Blame History