head first html与css 代码_手把手教你使用Flask轻松部署机器学习模型（附代码&链接） | CSDN博文精选...

最新推荐文章于 2020-11-27 05:00:45 发布

weixin_39807691

最新推荐文章于 2020-11-27 05:00:45 发布

阅读量156

点赞数

文章标签： head first html与css 代码

本文介绍了如何使用Flask将训练好的线性回归模型投入生产环境。通过一个销售预测的例子，展示了如何构建Flask API，处理用户输入，进行预测并返回结果。文章还提供了项目的GitHub链接，包含HTML/CSS前端、模型代码和API实现。

摘要由CSDN通过智能技术生成

作者 | Abhinav Sagar

翻译 | 申利彬

校对 | 吴金笛

来源 | 数据派THU(ID：DatapiTHU)

本文旨在让您把训练好的机器学习模型通过Flask API 投入到生产环境。当数据科学或者机器学习工程师使用Scikit-learn、Tensorflow、Keras 、PyTorch等框架部署机器学习模型时，最终的目的都是使其投入生产。通常，我们在做机器学习项目的过程中，将注意力集中在数据分析，特征工程，调整参数等方面。但是，我们往往会忘记主要目标，即从模型预测结果中获得实际的价值。部署机器学习模型或者将模型投入生产，意味着将模型提供给最终的用户或系统使用。然而机器学习模型部署具有一定的复杂性，本文可以让你把训练好的机器学习模型使用Flask API 投入生产环境。我将使用线性回归，通过利率和前两个月的销售额来预测第三个月的销售额。线性回归是什么？线性回归模型的目标是找出一个或多个特征(自变量)和一个连续目标变量(因变量)之间的关系。如果只有一个特征，则称为单变量线性回归；如果有多个特征，则称为多元线性回归。 线性回归的假设 线性回归模型可以用下面的等式表示：

线性回归图解 为什么使用Flask？

容易上手使用
内置开发工具和调试工具
集成单元测试功能
平稳的请求调度
详尽的文档

项目结构这个项目分为四个部分： 1. model.py -- 包含机器学习模型的代码，用于根据前两个月的销售额预测第三个月的销售额。 2. app.py – 包含用于从图形用户界面(GUI)或者API调用获得详细销售数据的Flask API，Flask API根据我们的模型计算预测值并返回。 3. request.py -- 使用requests模块调用app.py中定义的API并显示返回值。 4. HTML/CSS – 包含HTML模板和CSS风格代码，允许用户输入销售细节并显示第三个月的预测值。

部署机器学习模型的Pipeline 环境和工具 1. Scikit-learn 2. Pandas 3. Numpy 4. Flask 代码在哪里呢？ 从代码开始，完整的项目可以在github上找到(https://github.com/abhinavsagar/Machine-Learning-Deployment-Tutorials)。我们使用HTML构建前端，让用户输入数据。这里有三个区域需要用户去填写—利率，第一个月的销售额以及第二个月的销售额。

html><html ><head> <meta charset="UTF-8"> <title>Deployment Tutorial 1title> <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 rel="stylesheet" href="{{ url_for('static', filename='css/style.css') }}">head><body style="background: #000;"><div><h1>Sales Forecastingh1> <form action="{{ url_for('predict')}}"method="post"><input type="text" name="rate" placeholder="rate" required="required" /> <input type="text" name="sales in first month" placeholder="sales in first month" required="required" /><input type="text" name="sales in second month" placeholder="sales in second month" required="required" /> <button type="submit" class="btn btn-primary btn-block btn-large">Predict sales in third monthbutton> form> <br> <br> {{ prediction_text }} div>body>html>

接下来，使用CSS对输入按钮、登录按钮和背景进行了一些样式设置。

@import url(https://fonts.googleapis.com/css?family=Open+Sans);html { width: 100%; height:100%; overflow:hidden; }body {width: 100%;height:100%;font-family: 'Helvetica';background: #000;color: #fff;font-size: 24px;text-align:center;letter-spacing:1.4px;}.login {position: absolute;top: 40%;left: 50%;margin: -150px 0 0 -150px;width:400px;height:400px;}

login h1 { color: #fff; text-shadow: 0 0 10px rgba(0,0,0,0.3);letter-spacing:1px;text-align:center; }input {width: 100%;margin-bottom: 10px;background: rgba(0,0,0,0.3);border: none;outline: none;padding: 10px;font-size: 13px;color: #fff;text-shadow: 1px 1px 1px rgba(0,0,0,0.3);border: 1px solid rgba(0,0,0,0.3);border-radius: 4px;box-shadow: inset 0 -5px 45px rgba(100,100,100,0.2), 0 1px 1px rgba(255,255,255,0.2);-webkit-transition: box-shadow .5s ease;-moz-transition: box-shadow .5s ease;-o-transition: box-shadow .5s ease;-ms-transition: box-shadow .5s ease;transition: box-shadow .5s ease; }

我为这个项目创建了一个定制的销售数据集，它有四列——利率、第一个月的销售额、第二个月的销售额和第三个月的销售额。

我们现在构建一个机器学习模型来预测第三个月的销售额。首先使用Pandas解决缺失值问题，当一项或多项指标没有信息时，就会有缺失值发生。使用0填充利率这一列的缺失值，平均值填充第一个月销售额中的缺失值，采用线性回归的机器学习算法。 序列化和反序列化 简而言之，序列化是一种在磁盘上写入python对象的方法，该对象可以传输到任何地方，然后通过python脚本反序列化(读)回去。

序列化反序列化使用Pickling将是python对象形式的模型转为字符流形式，其思想是这个字符流中包含了在另一个python脚本中重建这个对象所需的所有信息。

import numpy as npimport matplotlib.pyplot as pltimport pandas as pdimport pickle dataset = pd.read_csv('sales.csv') dataset['rate'].fillna(0, inplace=True) dataset['sales_in_first_month'].fillna(dataset['sales_in_first_month'].mean(), inplace=True) X = dataset.iloc[:, :3]def convert_to_int(word): word_dict = {'one':1, 'two':2, 'three':3, 'four':4, 'five':5, 'six':6, 'seven':7, 'eight':8,'nine':9, 'ten':10, 'eleven':11, 'twelve':12, 'zero':0, 0: 0}return word_dict[word] X['rate'] = X['rate'].apply(lambda x : convert_to_int(x)) y = dataset.iloc[:, -1]from sklearn.linear_model import LinearRegression regressor = LinearRegression() regressor.fit(X, y) pickle.dump(regressor, open('model.pkl','wb')) model = pickle.load(open('model.pkl','rb')) print(model.predict([[4, 300, 500]]))

下一部分是构建一个API，反序列化这个模型为python对象格式，并通过图形用户界面(GUI)获取详细销售数据，根据模型计算预测值。我使用index.html设置主页，并在使用POST请求方式提交表单数据时，获取预测的销售值。可以通过另一个POST请求将结果发送给results并展示出来。它接收JSON格式的输入，并使用训练好的模型预测出可以被API端点接受的JSON格式的预测值。

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('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 = round(prediction[0], 2) return render_template('index.html', prediction_text='Sales should be $ {}'.format(output)) @app.route('/results',methods=['POST'])def results(): data = request.get_json(force=True) prediction = model.predict([np.array(list(data.values()))]) output = prediction[0]return jsonify(output)if __name__ == "__main__": app.run(debug=True)

最后使用requests模块调用在app.py中定义的APIs，它的结果是第三个月销售额的预测值。

import requests url = 'http://localhost:5000/results' r = requests.post(url,json={'rate':5, 'sales_in_first_month':200, 'sales_in_second_month':400})print(r.json()) Results

使用下面的命令运行Web应用程序。 python app.py

在web浏览器中打开http://127.0.1:5000/，将显示如下所示的GUI. 原文标题： How to Easily Deploy Machine Learning Models Using Flask 原文链接： https://www.kdnuggets.com/2019/10/easily-deploy-machine-learning-models-using-flask.html 编辑：王菁校对：王欣

扫码查看原文

▼▼▼