機器學習項目是如何開發和部署的？

本文以一個小項目帶你弄清ML的項目流程

這周作做業查資料時，無心中看到一個GitHub項目ML-web-app，它以PyTorch訓練MNIST文字識別模型爲例，介紹了從模型訓練到部署上線的整個流程。是很是好的學習項目！下圖是效果圖:

筆者瀏覽了項目的代碼,以學習爲目的,簡單解讀下這個項目。

模型訓練

模型訓練是相對獨立的部分，能夠由算法工程師來作。總結起來就是調用PyTorch接口，創建一個神經網絡，而後利用MNIST數據進行訓練，最後把訓練好的模型文件存儲起來，後面部署的時候要用到。

服務部署

該項目使用Flask框架部署服務，爲了方便閱讀，筆者對代碼進行了精簡。

下面的代碼中，經過加載預訓練好的模型數據，獲得模型實例，能夠進行預測：

# initialize flask application
app = Flask(__name__)

# Read model to keep it ready all the time
model = MyModel('./ml_model/trained_weights.pth', 'cpu')

核心預測API路由，路徑是/predict。

@app.route('/predict', methods=['GET','POST'])
def predict():
    results = {"prediction" :"Empty", "probability" :{}}

    input_img = BytesIO(base64.urlsafe_b64decode(request.form['img']))

    res =  model.predict(input_img)
    return json.dumps(results)

請求過程

默認主頁是經過模板渲染的，在index.js中定義了兩個核心函數：

1. onRecognition函數經過Ajax向/predict API路由發送POST請求，請求中封裝了要識別的圖片，而後獲取模型預測結果。

// post data to server for recognition
function onRecognition() {
    $.ajax({
            url: './predict',
            type:'POST',
            data : {img : cvsIn.toDataURL("image/png").replace('data:image/png;base64,','') },

        }).done(function(data) {
            showResult(JSON.parse(data))
        })
}

2. showResult函數把結果渲染出來。

function showResult(resultJson){
    // show predict digit
    divOut.textContent = resultJson.prediction;
    // show probability
    document.getElementById("probStr").innerHTML =
        "Probability : " + resultJson.probability.toFixed(2) + "%";
}

總結

這個項目麻雀雖小，五臟俱全。能夠幫助非算法類程序員一窺ML從建模到上線部署整個流程，透過火爆的趨勢看清本質。

文章持續更新，能夠微信搜索「 機器學習與系統 」閱讀最新內容，回覆資料、內推、考研獲取我爲你準備的驚喜~