涉及的步驟

  1. 構(gòu)建 Django 應(yīng)用程序
  2. 訓(xùn)練機(jī)器學(xué)習(xí)模型
  3. 測試 API

構(gòu)建 Django 應(yīng)用程序

讓我們創(chuàng)建并初始化開發(fā)環(huán)境。

python3 -m venv env

source env/bin/activate

安裝所需的軟件包：

pip install django djangorestframework sklearn numpy

打開命令行并輸入注釋以創(chuàng)建和復(fù)制存儲 Django 項(xiàng)目的目錄。為此應(yīng)用程序創(chuàng)建一個(gè)目錄并將其復(fù)制（cd）到該目錄中。

mkdir DjangoMLAPI 

cd DjangoMLAPI

django-admin startproject api

我們已經(jīng)創(chuàng)建了一個(gè) Django 項(xiàng)目，其中將包含我們正在處理的所有代碼。它還將包含數(shù)據(jù)庫配置和應(yīng)用程序設(shè)置。

“項(xiàng)目”對應(yīng)于我們正在開發(fā)的應(yīng)用程序，而 Django 將項(xiàng)目中的包稱為“應(yīng)用程序”。主要包將是 API。

Start Project API 創(chuàng)建了大量運(yùn)行我們的項(xiàng)目所需的樣板代碼。它將類似于左側(cè)的文件樹。

外部 /api 文件夾只包含我們項(xiàng)目的所有代碼。

我們項(xiàng)目的主要 python 包是內(nèi)部的 /api。

python manage.py runserver

如果您在 Web 瀏覽器中輸入 127.0.0.1:8000，您應(yīng)該會看到默認(rèn)的 Django 歡迎網(wǎng)頁。

之后，我們將在我們的項(xiàng)目中創(chuàng)建一個(gè)“應(yīng)用程序”。這將傳播 API 背后的機(jī)器學(xué)習(xí)。我們將命名這個(gè)聲音預(yù)測器。

cd api

python manage.py startapp soundpredictor

我們添加了一個(gè)名為 /soundpredictor 的文件夾，里面有很多文件。

view.py包含可以在每個(gè)請求上運(yùn)行的代碼。因此，我們在方程中添加了矢量化和回歸邏輯。

apps.py是我們將在其中指定配置類的文件。這段代碼只會執(zhí)行一次，所以我們最終會把代碼放在那里加載我們的模型

讓我們將此應(yīng)用程序添加到 APPS_INSTALLED。打開 /api/api/settings.py 并將“聲音預(yù)測器”添加到 APPS_INSTALLED。

APPS_INSTALLED = [

    'django.contrib.admin',

    'django.contrib.auth',

    'django.contrib.contenttypes',

    'django.contrib.sessions',

    'django.contrib.messages',

    'django.contrib.staticfiles',

    'predictor'

]

在 /soundpredictor 中創(chuàng)建一個(gè)名為 /models 的文件夾很重要。將經(jīng)過訓(xùn)練的模型移動(dòng)到此目錄中。

請注意，在真實(shí)的生產(chǎn)環(huán)境中，這樣我們就不必在每次模型更改時(shí)重新部署應(yīng)用程序。但是，在這種情況下，我們只會在應(yīng)用程序中包含模型。

我們必須將這些行添加到設(shè)置中。此代碼將加載模型。

MODELS = os.path.join(BASE_DIR, 'soundpredictor/models')

編寫在應(yīng)用程序啟動(dòng)時(shí)加載模型的代碼。在 /api/soundpredictor/apps.py 中部署代碼。創(chuàng)建模型路徑并將模型加載到單獨(dú)的變量中。

from django.apps import AppConfig

from django.conf import settings

import os

import pickle

class soundpredictorConfig(AppConfig):    

    path = os.path.join(settings.MODELS, 'models.p')

    with open(path, 'rb') as pickled:

       data = pickle.load(pickled)    

     regressor = data['regressor']

    vectorize = data['vectorize']

現(xiàn)在我們需要?jiǎng)?chuàng)建一個(gè)視圖來鼓勵(lì)我們的回歸邏輯。打開 /api/predictor/views.py 并使用此代碼進(jìn)行更新。

from django.shortcuts import render 

from .apps import soundpredictorConfig 

from django.http import JsonResponse

from rest_framework.views import APIView

class call_model(APIView):

    def get(self,request):

        if request.method == 'GET':            

            sound = request.GET.get('sound')

            vector = PredictorConfig.vectorizer.transform([sound])            

          prediction = soundpredictorConfig.regressor.predict(vector)[0]            

            response = {'dog': prediction}           

            return JsonResponse(response)

最后一步是將 URL 添加到我們的模型中，以便我們可以訪問它們。請將以下代碼添加到 /api/api/urls.py 中的 urls.py 文件中：

from django.urls import path

from predictor import viewsurlpatterns = [

    path('classify/', views.call_model.as_view())

]
from django.conf.urls import url, include

from rest_framework.routers import DefaultRouter

urlpatterns = [

    url(r"^api/v1/", include(router.urls)),

]

訓(xùn)練機(jī)器學(xué)習(xí)模型

要開始該項(xiàng)目，請打開一個(gè) jupyter notebook。運(yùn)行命令，

pip3 install jupyter notebook



ipython kernel install --user --name=venv

創(chuàng)建一個(gè)目錄來存儲筆記本文件，

mkdir research

cd research

jupyter notebook

這種預(yù)測分析是訓(xùn)練模型根據(jù)它的語氣來預(yù)測動(dòng)物是否是鴨子。

因此，我們將使用虛構(gòu)數(shù)據(jù)訓(xùn)練模型。這表明它將以與您可能創(chuàng)建的任何其他 sklearn 模型相同的方式工作。

該算法將根據(jù)動(dòng)物發(fā)出的聲音確定它是否是鴨子。

創(chuàng)建虛構(gòu)數(shù)據(jù)后，每個(gè)內(nèi)部列表中的第一個(gè)索引是動(dòng)物的聲音，第二個(gè)索引是指示動(dòng)物是否是鴨子的布爾標(biāo)簽。

data = [

    ['Honk', 1],

    ['Woof', 0],

    ['ruff', 0],

    ['bowwow', 0],

    ['cackle', 1],

    ['moo', 0],

    ['meow', 0],

    ['clang', 1],

    ['buzz', 0],

    ['quack', 0],

    ['pika', 0]

]

下一個(gè)任務(wù)是將上述數(shù)據(jù)轉(zhuǎn)換為特征和標(biāo)簽列表。

X = []

y = []

for i in data:

    X.append( i[0] )

    y.append( i[1] )

在我們將特征轉(zhuǎn)換為列表后，擬合向量化器，并轉(zhuǎn)換特征。

from sklearn.feature_extraction.text import CountVectorizer

vectorize = CountVectorizer()

X_vectorized = vectorize.fit_transform(X)

我們正處于訓(xùn)練線性回歸模型的最后一步，

from sklearn.linear_model import LinearRegression

import numpy as npregressor = LinearRegression()

regressor.fit(X_vectorized, y)

我們必須用幾個(gè)例子來測試它以檢查模型是否正常工作，

test_feature = vectorizer.transform(['Honk'])

prediction = regressor.predict(test_feature)

print(prediction)

test_feature = vectorizer.transform(['bowwow'])

prediction = regressor.predict(test_feature)

print(prediction) 

test_feature = vectorizer.transform(['meoww'])

prediction = regressor.predict(test_feature)

print(prediction)]
#=> [1.]

#=> [0.]

#=> [0.36363636]

模型看起來很完美。

Pickle 我們的模型到一個(gè)字節(jié)流中，以便它可以將它們存儲在應(yīng)用程序中。

import pickle

pick = {

    'vectorize': vectorize,

    'regressor': regressor

}

pickle.dump( pick, open( 'models' + ".p", "wb" ) )

測試 API

我們可以使用以下命令運(yùn)行服務(wù)器：

python manage.py runserver

添加幾個(gè) curl 請求來測試它。我們可以直接在瀏覽器地址欄中輸入網(wǎng)址。

curl -X GET http://127.0.0.1:8000/classify/?sound=buzz

#=> {"duck": 0.0}

curl -X GET http://127.0.0.1:8000/classify/?sound=quack

#=> {"duck": 1.0}

這個(gè)模型正在工作！接近 1 的數(shù)字表示它是一只鴨子，接近 0 的數(shù)字表示它不是一只鴨子。

我們也可以在瀏覽器中檢查這些。在網(wǎng)址：

http://127.0.0.1:8000/classify/?sound=buzz

http://127.0.0.1:8000/classify/?sound=quack

Django API 可以加載和運(yùn)行經(jīng)過訓(xùn)練的機(jī)器學(xué)習(xí)模型，并使用 URL 測試應(yīng)用程序。

下載Python源代碼: plot_iris_svc.py

下載Jupyter notebook源代碼: plot_iris_svc.ipynb

本文章轉(zhuǎn)載微信公眾號@機(jī)器學(xué)習(xí)算法與知識圖譜

上一篇：

kfp-server-api：一個(gè)省時(shí)高效的 Python 庫

下一篇：

Python + BaiduTransAPI ：快速檢索千篇英文文獻(xiàn)（附源碼）
#你可能也喜歡這些API文章!

我們有何不同？

API服務(wù)商零注冊

多API并行試用

數(shù)據(jù)驅(qū)動(dòng)選型，提升決策效率

查看全部API→
??

熱門場景實(shí)測，選對API

#AI文本生成大模型API

對比大模型API的內(nèi)容創(chuàng)意新穎性、情感共鳴力、商業(yè)轉(zhuǎn)化潛力

25個(gè)渠道
一鍵對比試用API 限時(shí)免費(fèi)

#AI深度推理大模型API

對比大模型API的邏輯推理準(zhǔn)確性、分析深度、可視化建議合理性

10個(gè)渠道
一鍵對比試用API 限時(shí)免費(fèi)