Apache Kafka应用程序中的机器学习和实时分析（第二部分）

在优锐课的java学习分享中，这篇文章探讨了构建ML基础结构的特定部分：在Kafka应用程序中部署分析模型以进行实时预测。

文章的第一部分在这啦，记得先看哦，不然看不懂哈，更有连贯性。

Apache Kafka应用程序中的机器学习和实时分析（第一部分）

嵌入式模型的流处理

除了使用模型服务器和RPC通信之外，你还可以将模型直接嵌入到Kafka应用程序中。 这可以是利用Kafka Streams或KSQL的Kafka本机流处理应用程序，也可以使用Java，Scala，Python或Go之类的Kafka客户端API。

在这种情况下，不依赖于外部模型服务器。 该模型已在应用程序中加载，例如使用Kafka Streams应用程序中的TensorFlow Java API：
同样，实现Kafka应用程序很简单。 以下是将TensorFlow模型嵌入到Kafka Streams应用程序中以进行实时预测的代码段：
1.导入Kafka和TensorFlow API：
Java

import org.apache.kafka.streams.KafkaStreams;
import org.apache.kafka.streams.KeyValue;
import org.apache.kafka.streams.StreamsBuilder;
import org.apache.kafka.streams.StreamsConfig;
import org.apache.kafka.streams.integration.utils.EmbeddedKafkaCluster;
import org.apache.kafka.streams.integration.utils.IntegrationTestUtils;
import org.apache.kafka.streams.kstream.KStream;
import org.deeplearning4j.nn.modelimport.keras.KerasModelImport;
import org.deeplearning4j.nn.multilayer.MultiLayerNetwork;

2.从数据存储区（例如，Amazon S3链接）或内存（例如，从Kafka主题接收）中加载TensorFlow模型：
Java

// Step 1: Load Keras TensorFlow Model using DeepLearning4J API
String simpleMlp = new ClassPathResource("generatedModels/K