sklearn分類器をローカルでトレーニングしたので、その使用方法を示す単純な Web アプリケーションを作成する必要があります。私は Web アプリ開発の完全な初心者であり、使用しているモジュールをサポートしていないフレームワークを使用して Web アプリを作成するために時間を無駄にしたくありません。
Heroku、djangoまたは単純な科学的デモのためのより簡単で迅速なソリューションはありますか?私が考えたのは、トレーニングした分類子を取得し、サーバー上でピクルしてピクル解除し、サーバーから実行するclassifyことでしたが、どこから始めればよいかわかりません。
これが単なるデモ用である場合は、分類器をオフラインでトレーニングし、モデルをピクルしてから、フラスコやボトルなどの単純な Python Web フレームワークを使用して、サーバーの起動時にモデルをアンピクルし、HTTP 要求ハンドラーで予測関数を呼び出します。
django は完全な機能を備えたフレームワークであるため、flask や bottle よりも習得に時間がかかりますが、優れたドキュメントとより大きなコミュニティがあります。
heroku は、アプリケーションをクラウドでホストするサービスです。herokuでフラスコ アプリケーションをホストすることは可能です。簡単なテンプレート プロジェクトとそのための手順を次に示します。
「本番」セットアップの場合は、pickle を使用するのではなく、機械学習モデル用に独自の永続化レイヤーを記述して、ストアのパラメーターを完全に制御し、古いものの unpickle を壊す可能性のあるライブラリのアップグレードに対してより堅牢にすることをお勧めします。モデル。
これは分類器ではありませんが、ボトル フレームワークと scikit-learn を使用して単純な機械学習 Web サービスを実装しました。.csv 形式のデータセットを指定すると、主成分分析および線形判別分析手法に関する 2D 視覚化が返されます。
詳細とデータ ファイルの例は、http: //mindwriting.org/blog/?p=153にあります。
これが実装です: upload.html:
<form
action="/plot" method="post"
enctype="multipart/form-data"
>
Select a file: <input type="file" name="upload" />
<input type="submit" value="PCA & LDA" />
</form>
pca_lda_viz.py (ホスト名とポート番号を変更):
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import numpy as np
from cStringIO import StringIO
from bottle import route, run, request, static_file
import csv
from matplotlib.font_manager import FontProperties
import colorsys
from sklearn import datasets
from sklearn.decomposition import PCA
from sklearn.lda import LDA
html = '''
<html>
<body>
<img src="data:image/png;base64,{}" />
</body>
</html>
'''
@route('/')
def root():
return static_file('upload.html', root='.')
@route('/plot', method='POST')
def plot():
# Get the data
upload = request.files.get('upload')
mydata = list(csv.reader(upload.file, delimiter=','))
x = [row[0:-1] for row in mydata[1:len(mydata)]]
classes = [row[len(row)-1] for row in mydata[1:len(mydata)]]
labels = list(set(classes))
labels.sort()
classIndices = np.array([labels.index(myclass) for myclass in classes])
X = np.array(x).astype('float')
y = classIndices
target_names = labels
#Apply dimensionality reduction
pca = PCA(n_components=2)
X_r = pca.fit(X).transform(X)
lda = LDA(n_components=2)
X_r2 = lda.fit(X, y).transform(X)
#Create 2D visualizations
fig = plt.figure()
ax=fig.add_subplot(1, 2, 1)
bx=fig.add_subplot(1, 2, 2)
fontP = FontProperties()
fontP.set_size('small')
colors = np.random.rand(len(labels),3)
for c,i, target_name in zip(colors,range(len(labels)), target_names):
ax.scatter(X_r[y == i, 0], X_r[y == i, 1], c=c,
label=target_name,cmap=plt.cm.coolwarm)
ax.legend(loc='upper center', bbox_to_anchor=(1.05, -0.05),
fancybox=True,shadow=True, ncol=len(labels),prop=fontP)
ax.set_title('PCA')
ax.tick_params(axis='both', which='major', labelsize=6)
for c,i, target_name in zip(colors,range(len(labels)), target_names):
bx.scatter(X_r2[y == i, 0], X_r2[y == i, 1], c=c,
label=target_name,cmap=plt.cm.coolwarm)
bx.set_title('LDA');
bx.tick_params(axis='both', which='major', labelsize=6)
# Encode image to png in base64
io = StringIO()
fig.savefig(io, format='png')
data = io.getvalue().encode('base64')
return html.format(data)
run(host='mindwriting.org', port=8079, debug=True)
以下のチュートリアルに従って、scikit-learn モデルを Azure ML にデプロイし、Web サービスを自動的に生成できます。