使用Flask部署机器学习模型

禺垣

已于 2023-08-08 23:08:38 修改

阅读量6k

点赞数 12

分类专栏：机器学习笔记机器学习文章标签： Flask 机器学习部署模型部署线性回归 python web

于 2021-04-08 14:14:47 首次发布

本文链接：https://blog.csdn.net/Albert201605/article/details/115518592

版权

机器学习笔记同时被 2 个专栏收录

32 篇文章 7 订阅

订阅专栏

机器学习

29 篇文章 13 订阅

订阅专栏

一、部署结构

Flask是一个轻量级的Python Web开发框架，它自带了一个轻型服务器，可以部署Python 应用。对于python训练的机器学习模型，通过序列化和反序列化操作可以在Flask中进行部署。它的基本过程是，线下训练、保存模型，线上加载模型、部署应用。

二、部署实现

1.序列化和反序列化

序列化：指将一个对象转换为字节流，能够存储在文件或网络上，在python中使用pickle模块来实现。也就是把训练的模型保存为一个.pkl文件。

反序列化：指从字节流提取出对象。也就是加载.pkl模型文件。

2.实现步骤

s1.安装python环境，本文安装的是python-3.5.4；

s2.安装flask，使用pip install flask命令直接安装；

s3.训练机器学习模型并保存；

s4.开发web应用，载入模型；

s5.运行应用，客户端进行访问。

三、示例

建立一个线性回归模型进行房价预测，并在服务器进行部署。

1.训练数据集，命名house_price.csv

No	square_feet	price
1	150	6450
2	200	7450
3	250	8450
4	300	9450
5	350	11450
6	400	15450
7	600	18450

2.训练、保存模型，命名TrainingModel.py

import pandas as pd
from sklearn.linear_model import LinearRegression
import pickle

# 从csv文件中读取数据，分别为：X列表和对应的Y列表
def get_data(file_name):
    # 1. 用pandas读取csv
    data = pd.read_csv(file_name)

    # 2. 构造X列表和Y列表
    X_parameter = []
    Y_parameter = []
    for single_square_feet,single_price_value in zip(data['square_feet'],data['price']):
        X_parameter.append([float(single_square_feet)])
        Y_parameter.append(float(single_price_value))

    return X_parameter,Y_parameter

# 线性回归分析模型训练、保存
def linear_model(X_parameter, Y_parameter):
    #训练模型
    regr = LinearRegression()
    regr.fit(X_parameter, Y_parameter)
    #保存模型
    pickle.dump(regr, open('model.pkl','wb'))

if __name__ == '__main__':
    # 1. 读取数据
    X, Y = get_data('./house_price.csv')

    # 2. 训练、保存模型
    linear_model(X, Y)

    print("模型保存完成。")

3.开发web应用，载入模型

（1）web界面，创建templates\page.html

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>
<div align="center">
    <h2>使用Flask部署机器学习模型Demo——房价预测</h2>
    <br>
    <form action="{{ url_for('predict')}}" method="post">
        <b>房子英尺数</b><input type="text" name="housesize" required />
        <br>
        <button type="submit">预测房价</button>
    </form>
    <br>
    {{ prediction_display_area }}
</div>

</body>
</html>

（2）服务器程序——载入模型，命名app.py

import numpy as np
from flask import Flask, request, jsonify, render_template
import pickle

app = Flask(__name__)
model = pickle.load(open('model.pkl','rb'))

@app.route('/')
def home():
    return render_template('page.html')

@app.route('/predict', methods=['POST'])
def predict():
    features_list = [float(x) for x in request.form.values()]
    features = np.array(features_list).reshape(1,-1)
    predict_outcome_list = model.predict(features)
    predict_outcome = round(predict_outcome_list[0],2)

    return render_template('page.html',prediction_display_area='预测价格为：{}'.format(predict_outcome))

if __name__ == "__main__":
    app.run(port=80,debug = True)

4.访问测试

运行服务器程序：python app.py

浏览器访问http://localhost/，出现页面

输入房子英尺数，点击‘预测房价’按钮，展示出预测价格

示例资源打包下载：

https://download.csdn.net/download/Albert201605/16545730

参考

1. https://blog.csdn.net/Albert201605/article/details/81983798

2. https://www.jianshu.com/p/6f3e04e8daa0?utm_source=oschina-app

3. https://blog.csdn.net/tMb8Z9Vdm66wH68VX1/article/details/102829787

禺垣

关注

12
点赞
踩
131

收藏

觉得还不错? 一键收藏
打赏
25
评论
使用Flask部署机器学习模型

一、部署结构Flask是一个轻量级的Python Web开发框架，它自带了一个轻型服务器，可以部署Python 应用。对于python训练的机器学习模型，通过序列化和反序列化操作可以在Flask中进行部署。它的基本过程是，线下训练、保存模型，线上加载模型、部署应用。二、部署实现1.序列化和反序列化序列化：指将一个对象转换为字节流，能够存储在文件或网络上，在python中使用pickle模块来实现。也就是把训练的模型保存为一个.pkl文件。反序列化：指从字节流提取出对象。也就是加载.p
复制链接

扫一扫