|
3 years ago | |
---|---|---|
.. | ||
README.es.md | 3 years ago | |
README.it.md | 3 years ago | |
README.ja.md | 3 years ago | |
README.ko.md | 3 years ago | |
README.pt-br.md | 3 years ago | |
README.pt.md | 3 years ago | |
README.zh-cn.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 |
README.zh-cn.md
构建使用 ML 模型的 Web 应用程序
在本课中,你将在一个数据集上训练一个 ML 模型,这个数据集来自世界各地:过去一个世纪的 UFO 目击事件,来源于 NUFORC 的数据库。
你将学会:
- 如何“pickle”一个训练有素的模型
- 如何在 Flask 应用程序中使用该模型
我们将继续使用 notebook 来清理数据和训练我们的模型,但你可以进一步探索在 web 应用程序中使用模型。
为此,你需要使用 Flask 构建一个 web 应用程序。
课前测
构建应用程序
有多种方法可以构建 Web 应用程序以使用机器学习模型。你的 web 架构可能会影响你的模型训练方式。想象一下,你在一家企业工作,其中数据科学小组已经训练了他们希望你在应用程序中使用的模型。
注意事项
你需要问很多问题:
- 它是 web 应用程序还是移动应用程序? 如果你正在构建移动应用程序或需要在物联网环境中使用模型,你可以使用 TensorFlow Lite 并在 Android 或 iOS 应用程序中使用该模型。
- 模型放在哪里? 在云端还是本地?
- 离线支持。该应用程序是否必须离线工作?
- 使用什么技术来训练模型? 所选的技术可能会影响你需要使用的工具。
- 使用 TensorFlow。例如,如果你正在使用 TensorFlow 训练模型,则该生态系统提供了使用 TensorFlow.js 转换 TensorFlow 模型以便在Web应用程序中使用的能力。
- 使用 PyTorch。如果你使用 PyTorch 等库构建模型,则可以选择将其导出到 ONNX(开放神经网络交换)格式,用于可以使用 Onnx Runtime的JavaScript Web 应用程序。此选项将在 Scikit-learn-trained 模型的未来课程中进行探讨。
- 使用 Lobe.ai 或 Azure 自定义视觉。如果你使用 ML SaaS(软件即服务)系统,例如 Lobe.ai 或 Azure Custom Vision 来训练模型,这种类型的软件提供了为许多平台导出模型的方法,包括构建一个定制A PI,供在线应用程序在云中查询。
你还有机会构建一个完整的 Flask Web 应用程序,该应用程序能够在 Web浏览器中训练模型本身。这也可以在 JavaScript 上下文中使用 TensorFlow.js 来完成。
出于我们的目的,既然我们一直在使用基于 Python 的 notebook,那么就让我们探讨一下将经过训练的模型从 notebook 导出为 Python 构建的 web 应用程序可读的格式所需要采取的步骤。
工具
对于此任务,你需要两个工具:Flask 和 Pickle,它们都在 Python 上运行。
✅ 什么是 Flask? Flask 被其创建者定义为“微框架”,它提供了使用 Python 和模板引擎构建网页的 Web 框架的基本功能。看看本学习单元练习使用 Flask 构建应用程序。
✅ 什么是 Pickle? Pickle🥒是一个 Python 模块,用于序列化和反序列化 Python 对象结构。当你“pickle”一个模型时,你将其结构序列化或展平以在 Web 上使用。小心:pickle 本质上不是安全的,所以如果提示“un-pickle”文件,请小心。生产的文件具有后缀 .pkl
。
练习 - 清理你的数据
在本课中,你将使用由 NUFORC(国家 UFO 报告中心)收集的 80,000 次 UFO 目击数据。这些数据对 UFO 目击事件有一些有趣的描述,例如:
- 详细描述。"一名男子从夜间照射在草地上的光束中出现,他朝德克萨斯仪器公司的停车场跑去"。
- 简短描述。 “灯光追着我们”。
ufos.csv 电子表格包括有关目击事件发生的 city
、state
和 country
、对象的 shape
及其 latitude
和 longitude
的列。
在包含在本课中的空白 notebook 中:
-
像在之前的课程中一样导入
pandas
、matplotlib
和numpy
,然后导入 ufos 电子表格。你可以查看一个示例数据集:import pandas as pd import numpy as np ufos = pd.read_csv('../data/ufos.csv') ufos.head()
-
将 ufos 数据转换为带有新标题的小 dataframe。检查
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()
-
现在,你可以通过删除任何空值并仅导入 1-60 秒之间的目击数据来减少我们需要处理的数据量:
ufos.dropna(inplace=True) ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)] ufos.info()
-
导入 Scikit-learn 的
LabelEncoder
库,将国家的文本值转换为数字:✅ LabelEncoder 按字母顺序编码数据
from sklearn.preprocessing import LabelEncoder ufos['Country'] = LabelEncoder().fit_transform(ufos['Country']) ufos.head()
你的数据应如下所示:
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
练习 - 建立你的模型
现在,你可以通过将数据划分为训练和测试组来准备训练模型。
-
选择要训练的三个特征作为 X 向量,y 向量将是
Country
你希望能够输入Seconds
、Latitude
和Longitude
并获得要返回的国家/地区 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)
-
使用逻辑回归训练模型:
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))
准确率还不错 (大约 95%),不出所料,因为 Country
和 Latitude/Longitude
相关。
你创建的模型并不是非常具有革命性,因为你应该能够从其 Latitude
和 Longitude
推断出 Country
,但是,尝试从清理、导出的原始数据进行训练,然后在 web 应用程序中使用此模型是一个很好的练习。
练习 - “pickle”你的模型
现在,是时候 pickle 你的模型了!你可以在几行代码中做到这一点。一旦它是 pickled,加载你的 pickled 模型并针对包含秒、纬度和经度值的示例数据数组对其进行测试,
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]]))
该模型返回 '3',这是英国的国家代码。👽
练习 - 构建Flask应用程序
现在你可以构建一个Flask应用程序来调用你的模型并返回类似的结果,但以一种更美观的方式。
-
首先在你的 ufo-model.pkl 文件所在的 notebook.ipynb 文件旁边创建一个名为 web-app 的文件夹。
-
在该文件夹中创建另外三个文件夹:static,其中有文件夹 css 和 templates。 你现在应该拥有以下文件和目录
web-app/ static/ css/ templates/ notebook.ipynb ufo-model.pkl
✅ 请参阅解决方案文件夹以查看已完成的应用程序
-
在 web-app 文件夹中创建的第一个文件是 requirements.txt 文件。与 JavaScript 应用程序中的 package.json 一样,此文件列出了应用程序所需的依赖项。在 requirements.txt 中添加以下几行:
scikit-learn pandas numpy flask
-
现在,进入 web-app 文件夹:
cd web-app
-
在你的终端中输入
pip install
,以安装 reuirements.txt 中列出的库:pip install -r requirements.txt
-
现在,你已准备好创建另外三个文件来完成应用程序:
- 在根目录中创建 app.py。
- 在 templates 目录中创建index.html。
- 在 static/css 目录中创建styles.css。
-
使用一些样式构建 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; }
-
接下来,构建 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>
看看这个文件中的模板。请注意应用程序将提供的变量周围的“mustache”语法,例如预测文本:
{{}}
。还有一个表单可以将预测发布到/predict
路由。最后,你已准备好构建使用模型和显示预测的 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:当你在使用 Flask 运行 Web 应用程序时添加
debug=True
时你对应用程序所做的任何更改将立即反映,无需重新启动服务器。注意!不要在生产应用程序中启用此模式
如果你运行 python app.py
或 python3 app.py
- 你的网络服务器在本地启动,你可以填写一个简短的表格来回答你关于在哪里看到 UFO 的问题!
在此之前,先看一下 app.py
的实现:
- 首先,加载依赖项并启动应用程序。
- 然后,导入模型。
- 然后,在 home 路由上渲染 index.html。
在 /predict
路由上,当表单被发布时会发生几件事情:
- 收集表单变量并转换为 numpy 数组。然后将它们发送到模型并返回预测。
- 我们希望显示的国家/地区根据其预测的国家/地区代码重新呈现为可读文本,并将该值发送回 index.html 以在模板中呈现。
以这种方式使用模型,包括 Flask 和 pickled 模型,是相对简单的。最困难的是要理解数据是什么形状的,这些数据必须发送到模型中才能得到预测。这完全取决于模型是如何训练的。有三个数据要输入,以便得到一个预测。
在一个专业的环境中,你可以看到训练模型的人和在 Web 或移动应用程序中使用模型的人之间的良好沟通是多么的必要。在我们的情况下,只有一个人,你!
🚀 挑战
你可以在 Flask 应用程序中训练模型,而不是在 notebook 上工作并将模型导入 Flask 应用程序!尝试在 notebook 中转换 Python 代码,可能是在清除数据之后,从应用程序中的一个名为 train
的路径训练模型。采用这种方法的利弊是什么?
课后测
复习与自学
有很多方法可以构建一个Web应用程序来使用ML模型。列出可以使用JavaScript或Python构建Web应用程序以利用机器学习的方法。考虑架构:模型应该留在应用程序中还是存在于云中?如果是后者,你将如何访问它?为应用的ML Web解决方案绘制架构模型。