機器學習專案是如何開發和部署的？
阿新 • • 發佈：2020-05-29
>本文以一個小專案帶你弄清ML的專案流程
這周做作業查資料時，無意中看到一個GitHub專案[ML-web-app](https://github.com/imadelh/ML-web-app)，它以PyTorch訓練MNIST文字識別模型為例，介紹了從`模型訓練`到`部署上線`的整個流程。是非常好的學習專案！下圖是效果圖:
筆者瀏覽了專案的程式碼,以學習為目的,簡單解讀下這個專案。
## 模型訓練
模型訓練是相對獨立的部分，可以由演算法工程師來做。總結起來就是呼叫PyTorch介面，建立一個神經網路，然後利用MNIST資料進行訓練，**最後把訓練好的模型檔案儲存起來，後面部署的時候要用到**。
## 服務部署
該專案使用Flask框架部署服務，**為了方便閱讀，筆者對程式碼進行了精簡**。
下面的程式碼中，通過載入預訓練好的模型資料，得到模型例項，可以進行預測：
```python
# 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`。
```python
@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
預設主頁是通過模板渲染的，在index.js中定義了兩個核心函式：
1. `onRecognition`函式通過Ajax向`/predict` API路由傳送POST請求，請求中封裝了要識別的圖片，然後獲取模型預測結果。
```javascript
// 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`函式把結果渲染出來。
```javascript
function showResult(resultJson){
// show predict digit
divOut.textContent = resultJson.prediction;
// show probability
document.getElementById("probStr").innerHTML =
"Probability : " + resultJson.probability.toFixed(2) + "%";
}
```
## 總結
這個專案麻雀雖小，五臟俱全。可以幫助非演算法類程式設計師一窺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，可以微信搜尋「 **機器學習與系統** 」閱讀最新內容，回覆**資料**、**內推**、**考研**獲取我為你準備