Автор Дивья Бхандари
Машинное обучение — новая передовая технология.
Python используется для создания среды Flask для веб-приложений. Набор инструментов Werkzeg WSGI и механизм шаблонов Jinja2 служат основой для Flask. Они оба являются проектами Pocco.
Почему Фласк?
В отличие от фреймворка Django, Flask очень Pythonic. Начать работу с Flask легко, потому что у него нет кривой обучения.
- Запустите его с помощью python app.py
Затем запускается веб-сервер, доступ к которому возможен исключительно с вашего компьютера. Вы можете просмотреть «Hello World», посетив локальный хост на порту 5000 в веб-браузере.
- Сохранение и загрузка моделей машинного обучения
Компонент Joblib экосистемы SciPy предоставляет инструменты для конвейерной обработки заданий Python. Он предоставляет ресурсы для эффективного хранения и загрузки объектов Python на основе NumPy.
Это может быть полезно для алгоритмов машинного обучения, которым необходимо сохранить весь набор данных или иметь несколько параметров (например, K-ближайших соседей).
- Загрузите свою модель
- Последний шаг: создание API
Теперь вы можете разместить свой API. Но сначала давайте рассмотрим все, что вы делали до этого момента.
Загрузить набор данных и выбрать объекты –
Разделите код для вашей модели логистической регрессии (model.py
) и Flask API (app.py
).
Следовательно, ваш model.py
должен быть следующим:
Ваш файл api.py
должен выглядеть следующим образом:
Скомпилируйте оба файла-
Продолжайте, затем посмотрите снимок терминала ниже, который был сделан после того, как файл .py
- Тестирование API
Теперь ваш клиент может использовать его для обработки вывода API во что-то интригующее, используя его из своего внешнего кода.
Если вы нашли блог полезным, пожалуйста, похлопайте в ладоши и прокомментируйте свой ответ. Спасибо за прочтение! 😊
Первоначально опубликовано на https://blog.habilelabs.io 2 сентября 2022 г.