亚洲精品久久久久久久久电影网 ,伊人婷婷香蕉网,日日摸夜夜添夜夜添97

創(chuàng)建過程就不一一贅述了，根據(jù)自己的需要和錢包的厚度來決定所需的配置，待創(chuàng)建完成后，進(jìn)入Storage Account的Access keys頁面，注意其中的Connection string部分的值，接下來構(gòu)建RESTful API的時(shí)候，需要用到這些值。值得一提的是，Azure會(huì)同時(shí)給你提供兩個(gè)不同的Key和Connection String，因?yàn)榻?jīng)常更換Access key將會(huì)是一個(gè)良好的習(xí)慣，為了防止Access key更新時(shí)，應(yīng)用程序無法正常工作，因此會(huì)有一個(gè)備用Key來保證程序的正常運(yùn)行。我們先不管Azure Key Vault的事情，目前先把其中的某個(gè)Key復(fù)制下來。

然后，進(jìn)入Blobs服務(wù)，新建一個(gè)容器（Container），比如命名為mlnetmodel，這個(gè)名字也要記下來。之后，在容器中上傳我們的模型文件即可，如下：

在準(zhǔn)備好模型文件之后，我們就可以開始開發(fā)RESTful API了。

打開宇宙第一最強(qiáng)IDE Visual Studio，我用的是2019的版本，新建一個(gè)ASP.NET Core的應(yīng)用程序，啟用docker支持，因?yàn)槲覀兘酉聛頃?huì)將這個(gè)應(yīng)用程序編譯成docker鏡像，以便在容器中運(yùn)行。詳細(xì)的項(xiàng)目創(chuàng)建過程以及RESTful API實(shí)現(xiàn)過程我也就不多說明了，網(wǎng)上相關(guān)資料實(shí)在太多了。這里只強(qiáng)調(diào)幾個(gè)需要重點(diǎn)注意的地方。

首先需要添加如下NuGet包的引用，由于我們需要使用ML.NET，并且需要訪問Azure Blob Storage，因此，以下依賴項(xiàng)不可缺少：

Microsoft.ML
Microsoft.Azure.Storage.Blob

有點(diǎn)小坑的地方是，當(dāng)你直接引用Microsoft.Azure.Storage.Blob時(shí)，編譯項(xiàng)目會(huì)出錯(cuò)，提示所依賴的Microsoft.Azure.KeyVault.Core不支持.NET Standard。解決辦法就是手工添加Microsoft.Azure.KeyVault.Core的依賴，我使用的是3.0.3的版本。

接下來，通過ASP.NET Core的配置系統(tǒng)，從配置數(shù)據(jù)中讀入訪問Azure Blob Storage所需的連接字符串參數(shù)，然后初始化Storage Account以及Blob Client對(duì)象，以便將保存在Azure Blob Storage中的模型文件下載下來。代碼如下：

public void ConfigureServices(IServiceCollection services)



{



    services.AddMvc().SetCompatibilityVersion(CompatibilityVersion.Version_2_2);



    var defaultEndpointsProtocol = Configuration[BlobProtocolConfigName];



    var accountName = Configuration[BlobAccountNameConfigName];



    var accountKey = Configuration[BlobAccountKeyConfigName];



    var endpointSuffix = Configuration[BlobEndpointSuffixConfigName];



    var connectionString = $@"DefaultEndpointsProtocol={defaultEndpointsProtocol};



AccountName={accountName};



AccountKey={accountKey};



EndpointSuffix={endpointSuffix}";



    var storageAccount = CloudStorageAccount.Parse(connectionString);



    var blobClient = storageAccount.CreateCloudBlobClient();



    var mlnetContainer = blobClient.GetContainerReference("mlnetmodel");



    var blob = mlnetContainer.GetBlobReference("student_perf_model.zip");



    using (var ms = new MemoryStream())



    {



        blob.DownloadToStream(ms);



    }



}

上面高亮的代碼，通過blob對(duì)象，將模型文件下載到MemoryStream中。問題來了，干嘛不保存在本地文件中呢？因?yàn)槲覀兘酉聛硇枰褂玫腗L.NET中的PredictionEngine（預(yù)測引擎）不是線程安全的，我們只能通過services.AddScoped方法來注冊(cè)PredictionEngine的實(shí)例，也就是說，每當(dāng)有一個(gè)新的HTTP請(qǐng)求到來時(shí)，PredictionEngine實(shí)例都需要構(gòu)建一次，而PredictionEngine的構(gòu)建是需要訪問模型文件的，頻繁的訪問文件系統(tǒng)中的文件會(huì)損耗應(yīng)用程序的性能。

因此，我構(gòu)建了下面的數(shù)據(jù)結(jié)構(gòu)，用來保存下載的模型數(shù)據(jù)：

public class ModelData



{



    public ModelData(byte[] dataBytes)



    {



        this.DataBytes = dataBytes;



    }



    public byte[] DataBytes { get; }



}

于是，上面的blob.DownloadToStream這部分代碼，就可以改寫為：

using (var ms = new MemoryStream())



{



    blob.DownloadToStream(ms);



    services.AddSingleton(new ModelData(ms.ToArray()));



}

然后，通過如下方法來注冊(cè)PredictionEngine實(shí)例：

services.AddScoped(serviceProvider =>



{



    var mlContext = serviceProvider.GetRequiredService<MLContext>();



    var dataStream = serviceProvider.GetRequiredService<ModelData>().DataBytes;



    using (var modelStream = new MemoryStream(dataStream))



    {



        var model = mlContext.Model.Load(modelStream);



        return model.CreatePredictionEngine<StudentTrainingModel, StudentPredictionModel>(mlContext);



    }



});

現(xiàn)在，我們已經(jīng)完成了模型文件的下載，以及PredictionEngine實(shí)例的注冊(cè)，接下來就非常簡單了，只需要在API Controller中，使用構(gòu)造器注入的PredictionEngine實(shí)例來實(shí)現(xiàn)我們的預(yù)測功能即可。代碼非常簡單：

[Route("api/[controller]")]



[ApiController]



public class StudentsController : ControllerBase



{



    private readonly PredictionEngine<StudentTrainingModel, StudentPredictionModel> predictionEngine;



    public StudentsController(PredictionEngine<StudentTrainingModel, StudentPredictionModel> predictionEngine)



    {



        this.predictionEngine = predictionEngine;



    }



    [HttpPost("predict")]



    public IActionResult Predict([FromBody] StudentTrainingModel model)



        => Ok(predictionEngine.Predict(model));



}

至此，API編寫完成，將API運(yùn)行起來，并進(jìn)行簡單的測試：

測試成功。cURL命令從本地文件data.json中讀入學(xué)生問卷調(diào)查數(shù)據(jù)，并預(yù)測他的綜合成績是12.8184786分（實(shí)際是9分，還是有點(diǎn)偏差）。

由于在創(chuàng)建ASP.NET Core應(yīng)用程序時(shí)，已經(jīng)選擇了docker支持，因此，我們可以直接使用docker build命令來編譯鏡像，并使用docker run來運(yùn)行容器。當(dāng)然，在Windows環(huán)境下需要安裝Docker for Windows，不過這里就不多說明安裝步驟了，在我以前的博客中有詳細(xì)介紹。為了方便編譯和運(yùn)行容器，我在ASP.NET Core的上層目錄中建了一個(gè)docker-compose.yml文件，以使用docker compose來實(shí)現(xiàn)容器鏡像的編譯與容器的運(yùn)行。在這里我強(qiáng)調(diào)“上層目錄”，因?yàn)椋琩ocker-compose.yml文件中，已經(jīng)通過相對(duì)路徑指定了docker build的context路徑。docker-compose.yml文件內(nèi)容如下：

version: '3'



services:



  mlnet_webapi:



    image: daxnet/mlnet_webapi



    build:



      context: .



      dockerfile: mlnet_webapi/Dockerfile



    environment:



      - BLOB_ACCOUNT_NAME=${BLOB_ACCOUNT_NAME}



      - BLOB_DEFAULT_ENDPOINTS_PROTOCOL=${BLOB_DEFAULT_ENDPOINTS_PROTOCOL}



      - BLOB_ENDPOINT_SUFFIX=${BLOB_ENDPOINT_SUFFIX}



      - BLOB_ACCOUNT_KEY=${BLOB_ACCOUNT_KEY}



      - Serilog__MinimumLevel=${Serilog__MinimumLevel:-Debug}



    container_name: mlnet_webapi



    ports:



      - 880:80



      - 8443:443

值得一提的是，文件中環(huán)境變量都是通過.env文件注入進(jìn)來的，因此，訪問Azure Blob Storage的Connection String相關(guān)信息不會(huì)簽入到Github代碼庫中。

使用docker-compose up命令一鍵編譯并啟動(dòng)容器，再次訪問我們的API以確保程序能夠正常工作：

本文主要介紹了如何在ASP.NET Core項(xiàng)目中使用ML.NET產(chǎn)生的訓(xùn)練模型，并向外界提供RESTful API，案例使用了容器技術(shù)，使得所生成的RESTful API應(yīng)用能夠在容器中運(yùn)行，以便為下一步的持續(xù)部署做鋪墊。在下文中，我將介紹基于Azure DevOps的持續(xù)集成與持續(xù)部署。

文章轉(zhuǎn)自微信公眾號(hào)@dotNET跨平臺(tái)