关于程序员:工业场景全流程机器学习开发并部署服务到云端

1次阅读

共计 4436 个字符，预计需要花费 12 分钟才能阅读完成。

本篇内容 ShowMeAI 将带大家学习，从头开始构建机器学习管道，应用 Flask 框架构建 Web 应用程序，并部署到云服务器上的过程。具体包含：

何为机器学习利用部署
基于 PyCaret 开发机器学习全流程
基于 Flask 搭建繁难前端 Web 应用程序
在 Heroku 云上部署机器学习利用

本示例中的利用为保险金额预估，部署好的云端服务页面如下图所示，能够点击 📘这里体验。

💡 环境 & 工具
💦 PyCaret

📘PyCaret 是一个开源的低代码机器学习库，用于在生产中训练和部署机器学习管道 / 流水线和模型。咱们能够通过 pip 装置 PyCaret。

pip install pycaret
复制代码
💦 Flask

📘Flask 是一个用于在 Python 中构建 Web 应用程序的轻量化框架。咱们本次的利用须要部署成 Web 端可交互操作应用的状态，会用到这个工具库，咱们同样能够通过 pip 装置它。

pip install flask
复制代码
💦 Heroku

📘 Heroku 是一个平台即服务（PaaS），它反对基于托管容器零碎部署 Web 应用程序，具备集成的数据服务和弱小的生态系统。咱们将基于它将应用程序部署到云端，进而大家能够间接通过 URL 在浏览器端拜访利用。
💡 部署机器学习服务
在企业的理论生产中，咱们常常会把机器学习模型构建成服务状态，这样合作的开发共事能够通过接口（API）来拜访模型服务，实现预估工作，这被称为部署机器学习利用过程。
更全一点说，生产中应用机器学习管道有两种宽泛的形式：

批量预测

将模型或管道存储在磁盘中，定期运行脚本，加载模型和数据，生成预测并将输入写入磁盘。这种状况下，多个预测会并行。它对于时效性要求不高。

在线预测

须要实时预测，大家应用到的很多 app，其实都是输出信息，而后在单击提交按钮时，实时预估生成预测的。比方你在电商平台输出搜索词，点击查问，能够看到模型排序好的后果列表返回。
本教程中，咱们解说的是『在线预测』这种模式。咱们将首先应用 PyCaret 在 Python 中构建机器学习管道，而后应用 Flask 构建 Web 应用程序，最初将所有这些部署在 Heroku 云上。
整个机器学习管道（pipeline）如下图所示：

💡 场景案例 & 手把手
本案例中用作示例的数据来自保险场景，保险公司心愿通过应用人口统计学信息和根本患者衰弱危险特色，更精确地预测患者保单费用，以优化其应用的现金流预测的准确性。数据是 PyCaret 自带的，数据的简略速览如下：

上面咱们逐渐实现机器学习管道构建与云端部署的过程。
💦 第一步：构建机器学习流水线
咱们把整个建模过程构建为一个流水线，这里咱们应用 PyCaret，简直能够自动化地实现这个过程。

from pycaret.datasets import get_data
data = get_data(‘insurance’)

from pycaret.regression import *
s = setup(data, target = ‘charges’, session_id = 123, normalize = True, polynomial_features = True, trigonometry_features = True, feature_interaction=True, bin_numeric_features= [‘age’, ‘bmi’])
复制代码

上述的代码会自动化实现数据转换，转换后的数据集有 62 个用于训练的特色，这些特色由原始数据集的 7 个特色变换而来。以下为对应的特色列表：

应用 PyCaret 进行建模和评估非常简单，上面示例代码中，咱们抉择逻辑回归模型，并进行 10 折穿插验证：

lr = create_model(‘lr’)
复制代码

plot_model(lr, plot=’residuals’)
复制代码

上述流程之后，咱们能够应用该 save_model 函数保留整个建模流水线。

save_model(lr, model_name=’/username/ins/deployment’)
复制代码

这样咱们就疾速实现了第 1 步，留神，理论业务场景下，大家会做更精细化的数据荡涤、特色工程和模型调优，咱们本次的指标是给大家演示从建模到部署的全流程办法，因而这个局部绝对简略。
PyCaret 自动化建模的输入是一个流水线 /pipeline，蕴含几个数据转换步骤（如特色工程、缩放、缺失值插补等）和机器学习模型。流水线保留为 pkl 格局的文件，咱们在后续构建 Flask 应用程序会应用到它。
💦 第二步：应用 Flask 构建前端应用程序
在实现咱们的机器学习流水线和模型之后，咱们要开始开发 Web 应用程序，它由两个局部组成：

前端（基于 HTML 构建网页端可显示和交互的内容）
后端（基于 Flask 开发实现接管申请后能够进行预估的程序）

① Web 利用前端
很多 Web 应用程序的前端都是应用 HTML 构建的，咱们在本篇内容中不会深刻解说前端相干的内容。为了构建一个输出表单（以接管用户实时预估时输出的字段取值），咱们基于一个根本的 HTML 模板实现前端网页，而后蕴含一个 CSS 样式表。
◉ HTML 代码实现
以下是咱们 Web 应用程序主页的 HTML 代码。
<!DOCTYPE html>
<html>
<head>
<meta charset=”UTF-8″>
<title>Predict Insurance Bill</title>
<link href=’https://fonts.googleapis.com/css?family=Pacifico’ rel=’stylesheet’ type=’text/css’>
<link href=’https://fonts.googleapis.com/css?family=Arimo’ rel=’stylesheet’ type=’text/css’>
<link href=’https://fonts.googleapis.com/css?family=Hind:300′ rel=’stylesheet’ type=’text/css’>
<link href=’https://fonts.googleapis.com/css?family=Open+Sans+Condensed:300′ rel=’stylesheet’ type=’text/css’>
<link type=”text/css” rel=”stylesheet” href=”{{url_for(‘static’, filename=’./style.css’) }}”>

</head>

<h1>Predict Insurance Bill</h1>

 <!-- Form to enter new data for predictions  -->
<form action="{{url_for('predict')}}"method="POST">
  <input type="text" name="age" placeholder="Age" required="required" /><br>
    <input type="text" name="sex" placeholder="Sex" required="required" /><br>
    <input type="text" name="bmi" placeholder="BMI" required="required" /><br>
    <input type="text" name="children" placeholder="Children" required="required" /><br>
    <input type="text" name="smoker" placeholder="Smoker" required="required" /><br>
    <input type="text" name="region" placeholder="Region" required="required" /><br>

    <button type="submit" class="btn btn-primary btn-block btn-large">Predict</button>
</form>

</div>
{{pred}}

</body>
</html>
复制代码

大家如果要构建简略的应用程序，不须要专门去学一遍 HTML 的高级常识。大家在互联网上能够找到大量 HTML 和 CSS 模板，甚至有些 📘在线平台能够通过应用拖拽构建用户界面，并疾速生成对应的 HTML 代码。

◉ CSS 样式表 CSS 负责形容 HTML 元素在屏幕上的出现款式，借助 CSS 能够十分无效地控制应用程序的布局。存储在样式表中的信息包含边距、字体大小和色彩以及背景色彩。这些信息以 CSS 扩展名的文件格式存储在内部地位，主 HTML 文件蕴含对 CSS 文件的援用。

② Web 利用后端
上面咱们实现这个利用的后端，咱们在 Python 中能够应用 Flask 工具库实现。对于 Flask 的具体常识大家能够参考 📘官方网站。咱们的局部代码如下：

在云端部署之前，咱们须要在本地测试利用是否失常工作。咱们在命令行运行 python app.py：
python app.py
复制代码

上图中大家能够在最初一行看到本地的测试 URL，咱们把它粘贴到浏览器能够查看 Web 应用程序是否失常。咱们还能够通过输出一些测试数据来查看预测性能是否失常运行。如下例中，咱们输出信息：19 岁、吸烟、西南地区、没有孩子、女性，模型预测住院费用为 20900 美元。

好啦，测试结束，齐全能够失常工作，咱们在下一步把它部署到云端。
💦 第三步：在 Heroku 上部署 ML 流水线和应用程序
模型训练实现后，机器学习流水线曾经筹备好，且实现了本地测试，咱们当初筹备开始部署到 Heroku。有多种办法能够实现这个步骤，最简略的是将代码上传 GitHub，并连贯 Heroku 帐户实现部署。
下图是上传好的截图，大家能够在 📘www.github.com/pycaret/dep… 查看。

将所有文件上传到 GitHub 后，咱们就能够开始在 Heroku 上进行部署了。如下为操作步骤：
① 注册并点击『创立新利用』
在 📘heroku 上能够实现上述操作，如下图所示

② 输出利用名称和地区

③ 连贯到托管代码的 GitHub 存储库

④ 部署分支

⑤ 期待部署实现

部署实现后，在有网络的状况下，就都能够拜访对应的应用程序了 📘https ://pycaret-insurance.herokuapp.com/。

参考资料

📘 PyCaret：www.pycaret.org/
📘 Flask：flask.palletsprojects.com/en/2.2.x/
📘 Heroku：www.heroku.com/
📘 HTML 和 CSS 模板在线平台：www.vvveb.com/vvvebjs/edi…
📘 Flask 的具体常识：dormousehole.readthedocs.io/en/latest/

正文完