工业场景全流程！机器学习开发并部署服务到云端 ⛵_企业级机器学习项目开发与部署-CSDN博客

本文链接：https://blog.csdn.net/wuxiaopengnihao1/article/details/127939857

本文介绍了如何使用PyCaret构建机器学习流水线，通过Flask搭建Web应用，并部署到Heroku云平台。内容涵盖数据预处理、模型训练、Flask前后端开发以及Heroku部署步骤，以保险金额预估为示例，帮助读者掌握端到端的机器学习服务部署流程。

摘要由CSDN通过智能技术生成

本篇内容 ShowMeAI 将带大家学习，从头开始构建机器学习管道，使用 Flask 框架构建 Web 应用程序，并部署到云服务器上的过程。具体包括：

本示例中的应用为保险金额预估，部署好的云端服务页面如下图所示。

💡 环境&工具

📘PyCaret 是一个开源的低代码机器学习库，用于在生产中训练和部署机器学习管道/流水线和模型。我们可以通过pip安装 PyCaret。

	`# 安装pycaret`
	`pip install pycaret`

📘Flask 是一个用于在 Python 中构建 Web 应用程序的轻量化框架。我们本次的应用需要部署成Web端可交互操作使用的形态，会用到这个工具库，我们同样可以通过pip安装它。

	`# 安装flask`
	`pip install flask`

📘 Heroku 是一个平台即服务（PaaS），它支持基于托管容器系统部署 Web 应用程序，具有集成的数据服务和强大的生态系统。我们将基于它将应用程序部署到云端，进而大家可以直接通过 URL 在浏览器端访问应用。

在企业的实际生产中，我们经常会把机器学习模型构建成服务形态，这样协作的开发同事可以通过接口（API）来访问模型服务，完成预估任务，这被称为部署机器学习应用过程。

更全一点说，生产中使用机器学习管道有两种广泛的方式：

将模型或管道存储在磁盘中，定期运行脚本，加载模型和数据，生成预测并将输出写入磁盘。这种情况下，多个预测会并行。它对于时效性要求不高。

需要实时预测，大家使用到的很多 app，其实都是输入信息，然后在单击提交按钮时，实时预估生成预测的。比如你在电商平台输入搜索词，点击查询，可以看到模型排序好的结果列表返回。

本教程中，我们讲解的是『在线预测』这种模式。我们将首先使用 PyCaret 在 Python 中构建机器学习管道，然后使用 Flask 构建 Web 应用程序，最后将所有这些部署在 Heroku 云上。

整个机器学习管道（pipeline）如下图所示：