我們使用機器學習進行模型訓練，最后會得到一個模型，怎么將這個模型部署到flask服務上呢？今天我們就來介紹一下模型的部署。
1. 加載保存好的模型
為了方便起見，這里我們就使用簡單的分詞模型，相關代碼如下：model.py
import jieba
class JiebaModel:
def load_model(self):
self.jieba_model = jieba.lcut
def generate_result(self, text):
return self.jieba_model(text, cut_all=False)說明：在load_model方法中加載保存好的模型，無論是sklearn、tensorflow還是pytorch的都可以在里面完成。在generate_result方法中定義處理輸入后得到輸出的邏輯，并返回結果。
2. 使用flask起服務
代碼如下：test_flask.py
# -*-coding:utf-8-*-
from flask import Flask, request, Response, abort
from flask_cors import CORS
# from ast import literal_eval
import time
import sys
import json
import traceback
from model import JiebaModel
app = Flask(__name__)
CORS(app) # 允許所有路由上所有域使用CORS
@app.route("/", methods=['POST', 'GET'])
def inedx():
return '分詞程序正在運行中'
@app.route("/split_words", methods=['POST', 'GET'])
def get_result():
if request.method == 'POST':
text = request.data.decode("utf-8")
else:
text = request.args['text']
try:
start = time.time()
print("用戶輸入",text)
res = jiebaModel.generate_result(text)
end = time.time()
print('分詞耗時：', end-start)
print('分詞結果：', res)
result = {'code':'200','msg':'響應成功','data':res}
except Exception as e:
print(e)
result_error = {'errcode': -1}
result = json.dumps(result_error, indent=4, ensure_ascii=False)
# 這里用于捕獲更詳細的異常信息
exc_type, exc_value, exc_traceback = sys.exc_info()
lines = traceback.format_exception(exc_type, exc_value, exc_traceback)
# 提前退出請求
abort(Response("Failed!
" + '
'.join('' + line for line in lines)))
return Response(str(result), mimetype='application/json')
if __name__ == "__main__":
jiebaModel = JiebaModel()
jiebaModel.load_model()
app.run(host='0.0.0.0', port=1314, threaded=False)說明：我們定義了一個get_result()函數(shù)，對應的請求是ip:port/split_words。 首先我們根據(jù)請求是get請求還是post請求獲取數(shù)據(jù)，然后使用模型根據(jù)輸入數(shù)據(jù)得到輸出結果，并返回響應給請求。如果遇到異常，則進行相應的處理后并返回。在__main__中，我們引入了model.py的JiebaModel類，然后加載了模型，并在get_result()中調用。
3. 發(fā)送請求并得到結果
代碼如下:test_request.py
import requests
def get_split_word_result(text):
res = requests.post('http://{}:{}/split_words'.format('本機ip', 1314), data=str(text).encode('utf-8'))
print(res.text)
get_split_word_result("我愛北京天安門")說明：通過requests發(fā)送post請求，請求數(shù)據(jù)編碼成utf-8的格式，最后得到響應，并利用.text得到結果。
4. 效果呈現(xiàn)
（1）運行test_flask.py
（2）運行test_request.py
并在起服務的位置看到：
以上就是怎么將機器學習的模型部署到flask服務的詳細內容，更多機器學習的學習資料請關注W3Cschool其它相關文章！
