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：

  1. 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()

  2. 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()

  3. 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()

  4. 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。

  1. 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)

  2. 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。

  1. 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。

  2. 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

  3. 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

  4. 现在，进入 web-app 文件夹：

    cd web-app

  5. 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

  6. 现在，你已准备好创建另外三个文件来完成应用程序：

    1. 在根目录中创建 app.py。
    2. 在 templates 目录中创建index.html。
    3. 在 static/css 目录中创建styles.css。

  7. 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;
 }

  8. 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：

  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：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：

  1. 首先，加载依赖项并启动应用程序。
  2. 然后，导入模型。
  3. 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：

  1. 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。
  2. 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。

任务

尝试不同的模型

Copyright© 2013-2020

All Rights Reserved 京ICP备2023019179号-8