独家 | 手把手教你如何使用Flask轻松部署机器学习模型（附代码&链接）

作者：Abhinav Sagar

翻译：申利彬

校对：吴金笛

本文约2700字，建议阅读7分钟。

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。

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。

     Deployment Tutorial 1                    Sales Forecasting    
                                                                                                                                            
                             
   {{ prediction_text }}

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 pickledataset = 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 LinearRegressionregressor = 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 npfrom flask import Flask, request, jsonify, render_templateimport pickleapp = 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 requestsurl = '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

译者简介

和中华，留德软件工程硕士。由于对机器学习感兴趣，硕士论文选择了利用遗传算法思想改进传统kmeans。目前在杭州进行大数据相关实践。加入数据派THU希望为IT同行们尽自己一份绵薄之力，也希望结交许多志趣相投的小伙伴。

翻译组招募信息

工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。

你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。

其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。

点击文末“阅读原文”加入数据派团队~

转载须知

如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：datapi），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。

发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。

点击“阅读原文”拥抱组织