写在前面：最近在参与microsoft/ML-For-Beginners的翻译活动，欢迎有兴趣的朋友加入（https://github.com/microsoft/ML-For-Beginners/issues/71）

构建使用ML模型的Web应用程序

在本课中，你将在一个数据集上训练一个ML模型，这个数据集来自世界各地：过去一个世纪的UFO目击事件，来源于NUFORC的数据库。

你将学会：

如何“pickle”一个训练有素的模型
如何在Flask应用程序中使用该模型

我们将继续使用notebook来清理数据和训练我们的模型，但你可以进一步探索在web应用程序中使用模型。

为此，你需要使用Flask构建一个web应用程序。

课前测

构建应用程序

有多种方法可以构建Web应用程序以使用机器学习模型。你的web架构可能会影响你的模型训练方式。想象一下，你在一家企业工作，其中数据科学小组已经训练了他们希望你在应用程序中使用的模型。

注意事项

你需要问很多问题：

**它是web应用程序还是移动应用程序？**如果你正在构建移动应用程序或需要在物联网环境中使用模型，你可以使用TensorFlow Lite并在Android或iOS应用程序中使用该模型。
**模型放在哪里？**在云端还是本地？
离线支持。该应用程序是否必须离线工作？
**使用什么技术来训练模型？**所选的技术可能会影响你需要使用的工具。

使用Tensor flow。例如，如果你正在使用TensorFlow训练模型，则该生态系统提供了使用TensorFlow.js转换TensorFlow模型以便在Web应用程序中使用的能力。
使用 PyTorch。如果你使用PyTorch等库构建模型，则可以选择将其导出到ONNX（开放神经网络交换)格式，用于可以使用 Onnx Runtime的JavaScript Web 应用程序。此选项将在Scikit-learn-trained模型的未来课程中进行探讨。
使用Lobe.ai或Azure自定义视觉。如果你使用ML SaaS（软件即服务）系统，例如Lobe.ai或[Azure Custom Vision](https://azure.microsoft.com/services/ cognitive-services/custom-vision-service/?WT.mc_id=academic-15963-cxa)来训练模型，这种类型的软件提供了为许多平台导出模型的方法，包括构建一个定制API，供在线应用程序在云中查询。

你还有机会构建一个完整的Flask Web应用程序，该应用程序能够在 Web浏览器中训练模型本身。这也可以在JavaScript上下文中使用 TensorFlow.js来完成。

出于我们的目的，既然我们一直在使用基于Python的notebook，那么就让我们探讨一下将经过训练的模型从notebook导出为Python构建的web应用程序可读的格式所需要采取的步骤。

工具

对于此任务，你需要两个工具：Flask和Pickle，它们都在Python上运行。

✅ 什么是 Flask？Flask被其创建者定义为“微框架”，它提供了使用Python和模板引擎构建网页的Web框架的基本功能。看看本学习单元练习使用Flask构建应用程序。

✅ 什么是Pickle？Pickle🥒是一 Python模块，用于序列化和反序列化 Python对象结构。当你“pickle”一个模型时，你将其结构序列化或展平以在 Web上使用。小心：pickle本质上不是安全的，所以如果提示“un-pickle”文件，请小心。生产的文件具有后缀.pkl。

练习 - 清理你的数据

在本课中，你将使用由 NUFORC（国家 UFO 报告中心）收集的80,000次UFO目击数据。这些数据对UFO目击事件有一些有趣的描述，例如：

详细描述。"一名男子从夜间照射在草地上的光束中出现，他朝德克萨斯仪器公司的停车场跑去"。
简短描述。“灯光追着我们”。

ufos.csv电子表格包括有关目击事件发生的city、state 和country、对象的shape及其latitude和longitude的列。

在包含在本课中的空白notebook中：

像在之前的课程中一样导入pandas、matplotlib和numpy，然后导入ufos电子表格。你可以查看一个示例数据集：
```
import pandas as pd
import numpy as np

ufos = pd.read_csv('../data/ufos.csv')
ufos.head()
```

将ufos数据转换为带有新标题的小dataframe。检查country字段中的唯一值。

ufos = pd.DataFrame({'Seconds': ufos['duration (seconds)'], 'Country': ufos['country'],'Latitude': ufos['latitude'],'Longitude': ufos['longitude']})

ufos.Country.unique()

现在，你可以通过删除任何空值并仅导入1-60秒之间的目击数据来减少我们需要处理的数据量：
```
ufos.dropna(inplace=True)

ufos = ufos[(ufos['Seconds'] >= 1) & (ufos['Seconds'] <= 60)]

ufos.info()
```

导入Scikit-learn的LabelEncoder库，将国家的文本值转换为数字：

✅ LabelEncoder按字母顺序编码数据

from sklearn.preprocessing import LabelEncoder

ufos['Country'] = LabelEncoder().fit_transform(ufos['Country'])

ufos.head()

你的数据应如下所示：

	Seconds	Country	Latitude	Longitude
2	20.0	3	    53.200000	-2.916667
3	20.0	4	    28.978333	-96.645833
14	30.0	4	    35.823889	-80.253611
23	60.0	4	    45.582778	-122.352222
24	3.0	    3	    51.783333	-0.783333

练习 - 建立你的模型

现在，你可以通过将数据划分为训练和测试组来准备训练模型。

选择要训练的三个特征作为X向量，y向量将是Country 你希望能够输入Seconds 、Latitude和Longitude并获得要返回的国家/地区ID。

from sklearn.model_selection import train_test_split

Selected_features = ['Seconds','Latitude','Longitude']

X = ufos[Selected_features]
y = ufos['Country']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

使用逻辑回归训练模型：

from sklearn.metrics import accuracy_score, classification_report 
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)

print(classification_report(y_test, predictions))
print('Predicted labels: ', predictions)
print('Accuracy: ', accuracy_score(y_test, predictions))

准确率还不错**（大约 95%）**，不出所料，因为Country和Latitude/Longitude相关。

你创建的模型并不是非常具有革命性，因为你应该能够从其Latitude和Longitude推断出Country，但是，尝试从清理、导出的原始数据进行训练，然后在web应用程序中使用此模型是一个很好的练习。

练习 - “pickle”你的模型

现在，是时候_pickle_你的模型了！你可以在几行代码中做到这一点。一旦它是 pickled，加载你的pickled模型并针对包含秒、纬度和经度值的示例数据数组对其进行测试，

import pickle
model_filename = 'ufo-model.pkl'
pickle.dump(model, open(model_filename,'wb'))

model = pickle.load(open('ufo-model.pkl','rb'))
print(model.predict([[50,44,-12]]))

该模型返回**'3'**，这是英国的国家代码。👽

练习 - 构建Flask应用程序

现在你可以构建一个Flask应用程序来调用你的模型并返回类似的结果，但以一种更美观的方式。

首先在你的 ufo-model.pkl 文件所在的_notebook.ipynb_文件旁边创建一个名为web-app的文件夹。
在该文件夹中创建另外三个文件夹：static，其中有文件夹css和templates`。你现在应该拥有以下文件和目录
```
web-app/
  static/
    css/
    templates/
notebook.ipynb
ufo-model.pkl
```
✅ 请参阅解决方案文件夹以查看已完成的应用程序
在_web-app_文件夹中创建的第一个文件是requirements.txt文件。与JavaScript应用程序中的_package.json_一样，此文件列出了应用程序所需的依赖项。在requirements.txt中添加以下几行：
```
    
scikit-learn
pandas
numpy
flask
```
现在，进入web-app文件夹：
```
cd web-app
```
在你的终端中输入pip install，以安装_reuirements.txt_中列出的库：
```
pip install -r requirements.txt
```
现在，你已准备好创建另外三个文件来完成应用程序：

在根目录中创建app.py
在_templates_目录中创建index.html。
在_static/css_目录中创建styles.css。

使用一些样式构建_styles.css_文件：

body {
 width: 100%;
 height: 100%;
 font-family: 'Helvetica';
 background: black;
 color: #fff;
 text-align: center;
 letter-spacing: 1.4px;
 font-size: 30px;
}

input {
 min-width: 150px;
}

.grid {
 width: 300px;
 border: 1px solid #2d2d2d;
 display: grid;
 justify-content: center;
 margin: 20px auto;
}

.box {
 color: #fff;
 background: #2d2d2d;
 padding: 12px;
 display: inline-block;
}

接下来，构建_index.html_文件：

html>
<html>
<head>
  <meta charset="UTF-8">
  <title>🛸 UFO Appearance Prediction! 👽title>
  <link rel="stylesheet" href="{{ url_for('static', filename='css/styles.css') }}"> 
head>

<body>
 <div class="grid">

  <div class="box">

  <p>According to the number of seconds, latitude and longitude, which country is likely to have reported seeing a UFO?p>

    <form action="{{ url_for('predict')}}" method="post">
     <input type="number" name


    
="seconds" placeholder="Seconds" required="required" min="0" max="60" />
      <input type="text" name="latitude" placeholder="Latitude" required="required" />
    <input type="text" name="longitude" placeholder="Longitude" required="required" />
      <button type="submit" class="btn">Predict country where the UFO is seenbutton>
    form>

  
   <p>{{ prediction_text }}p>

 div>
div>

body>
html>

看看这个文件中的模板。请注意应用程序将提供的变量周围的“mustache”语法，例如预测文本：{{}}。还有一个表单可以将预测发布到/predict路由。

最后，你已准备好构建使用模型和显示预测的python 文件：

在app.py中添加:

import numpy as np
from flask import Flask, request, render_template
import pickle

app = Flask(__name__)

model = pickle.load(open("../ufo-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 = prediction[0]

    countries = ["Australia", "Canada", "Germany", "UK", "US"]

    return render_template(
        "index.html", prediction_text="Likely country: {}".format(countries[output])
    )


if __name__ == "__main__":
    app.run(debug=True)

💡 提示：当你在使用Flask运行Web应用程序时添加 debug=True时你对应用程序所做的任何更改将立即反映，无需重新启动服务器。注意！不要在生产应用程序中启用此模式

如果你运行python app.py或python3 app.py - 你的网络服务器在本地启动，你可以填写一个简短的表格来回答你关于在哪里看到UFO的问题！

在此之前，先看一下app.py的实现：

首先，加载依赖项并启动应用程序。
然后，导入模型。
然后，在home路由上渲染index.html。

在/predict路由上，当表单被发布时会发生几件事情：

收集表单变量并转换为numpy数组。然后将它们发送到模型并返回预测。
我们希望显示的国家/地区根据其预测的国家/地区代码重新呈现为可读文本，并将该值发送回index.html以在模板中呈现。

以这种方式使用模型，包括Flask和pickled模型，是相对简单的。最困难的是要理解数据是什么形状的，这些数据必须发送到模型中才能得到预测。这完全取决于模型是如何训练的。有三个数据要输入，以便得到一个预测。

在一个专业的环境中，你可以看到训练模型的人和在Web或移动应用程序中使用模型的人之间的良好沟通是多么的必要。在我们的情况下，只有一个人，你！

🚀 挑战:

你可以在Flask应用程序中训练模型，而不是在notebook上工作并将模型导入Flask应用程序！尝试在notebook中转换Python代码，可能是在清除数据之后，从应用程序中的一个名为train的路径训练模型。采用这种方法的利弊是什么？

课后测

复习与自学

有很多方法可以构建一个Web应用程序来使用ML模型。列出可以使用JavaScript或Python构建Web应用程序以利用机器学习的方法。考虑架构：模型应该留在应用程序中还是存在于云中？如果是后者，你将如何访问它？为应用的ML Web解决方案绘制架构模型。

任务

尝试不同的模型

微软面向初学者的机器学习课程：3.1-构建使用ML模型的Web应用程序