写在前面
在最近的风控评分卡业务中使用到了机器学习来构建模型,构建模型的方法会找时间单开一篇文章。这里主要讲下如何实现根据已经构建好的模型提供api接口服务。
这里是正文
Flask是微型的Python Web框架,如果模型本身就是用python语言构建的,那么利用FLask提供Api服务是一个不错的选择。
基础代码结构如下:
from flask import Flask
import joblib
app = Flask(__name__)
@app.route("/getModel",methods=['GET'])
def getModel():
#根据文件路径load模型
model=joblib.load('/data/model.pkl')
return "model 查询到了"
if __name__ == "__main__":
app.run(host='0.0.0.0',port=5003) # 指定ip:port
app.run(threaded=True) #开启多线程
print('运行结束')
以上代码是一个简单的示例,程序起来后通过url
http://localhost:5003/getModel 即可调用接口,返回结果“model 查询到了”。
本章是系列的开篇,后续还将讲讲日志打印,特征查询,模型执行等。
(一)机器学习模型的api调用之初探
(二)机器学习模型的api调用之日志打印
(三)机器学习模型的api调用之异常控制
(四)机器学习模型的api调用之特征查询
(五)机器学习模型的api调用之模型执行