原文地址：Publishing Machine Learning API with Python Flask

原文作者：Andrejus Baranovskis

译文出自：掘金翻译计划

本文永久链接：https://github.com/xitu/gold-miner/blob/master/TODO1/publishing-machine-learning-api-with-python-flask.md

译者：sisibeloved

校对者：alictopo,zhmhhu

本文描述了如何通过 Python Flask REST API 向外界暴露机器学习模型。

Flask 正如其官方网站所述，充满乐趣且易于安装。确实，这个 Python 的微框架提供了一种使用 REST 端点注释 Python 函数的有效方式。目前我使用 Flask 发布机器学习模型 API，以供第三方业务应用程序访问。

此示例基于 XGBoost。

为了更佳的代码维护性，我建议使用一个单独的 Jupyter notebook 发布机器学习模型 API。导入 Flask 和 Flask CORS 模块：

from flask import Flask, jsonify, request
from flask_cors import CORS, cross_origin

import pickle
import pandas as pd

该模型使用皮马印第安人糖尿病数据集（Pima Indians Diabetes Database）训练。CSV 数据可以从这儿下载。要构建一个 Pandas 数据帧类型的变量来作为模型预测函数的输入，我们需要定义一个包含数据集的列名的数组：

# 获取请求头中的 payload
headers = ['times_pregnant', 'glucose', 'blood_pressure', 'skin_fold_thick', 'serum_insuling', 'mass_index', 'diabetes_pedigree', 'age']

使用 Pickle 加载预训练模型：

# 使用 Pickle 加载预训练模型
with open(f'diabetes-model.pkl', 'rb') as f:
    model = pickle.load(f)

测试运行并检查模型是否运行良好是个好习惯。首先使用一个列名数组和一个数据数组（使用不在训练或测试数据集中的新数据）来构造数据帧。然后调用两个函数 —— model.predict 和 model.predict_proba 中的任意一个。我通常更喜欢 model.predict_proba，它返回预测结果为 0 或为 1 的概率，这有助于解释某个范围内（例如 0.25 到 0.75）的结果。最后使用一个示例 payload 构建 Pandas 数据帧，然后执行模型预测：

# 用数据帧测试模型
input_variables = pd.DataFrame([[1, 106, 70, 28, 135, 34.2, 0.142, 22]],
                                columns=headers, 
                                dtype=float,
                                index=['input'])

# 获取模型的预测结果
prediction = model.predict(input_variables)
print("Prediction: ", prediction)
prediction_proba = model.predict_proba(input_variables)
print("Probabilities: ", prediction_proba)

以下是 Flask API 的写法。确保启用 CORS，否则来自其他主机的 API 调用将无法成功。在要通过 REST API 暴露的函数前加上注释，并提供端点的名称和支持的 REST 方法（本例中为 POST）。从请求中获取 payload 数据，接着是构造 Pandas 数据帧并执行模型 predict_proba 函数：

app = Flask(__name__)
CORS(app)

@app.route("/katana-ml/api/v1.0/diabetes", methods=['POST'])
def predict():
    payload = request.json['data']
    values = [float(i) for i in payload.split(',')]
    
    input_variables = pd.DataFrame([values],
                                columns=headers, 
                                dtype=float,
                                index=['input'])

    # 获取模型的预测结果
    prediction_proba = model.predict_proba(input_variables)
    prediction = (prediction_proba[0])[1]
    
    ret = '{"prediction":' + str(float(prediction)) + '}'
    
    return ret

# 运行 REST 接口，port=5000 用于直接测试
if __name__ == "__main__":
    app.run(debug=False, host='0.0.0.0', port=5000)

函数结果被构造成 JSON 字符串并作为响应返回。我在 Docker 容器中运行 Flask，这就是为什么使用 0.0.0.0 作为它运行的主机 IP。端口 5000 被映射为外部端口，可以允许来自外部的调用。

虽然直接在 Jupyter notebook 中启动 Flask 接口也是可行的，但我还是建议将其转换为 Python 脚本并作为服务从命令行运行。使用 Jupyter nbconvert 命令将其转换为 Python 脚本：

jupyter nbconvert — to python diabetes_redsamurai_endpoint_db.ipynb

Flask 程序可以利用 PM2 进程管理器从后台启动。这种方式可以将端点作为服务启动，并且能启用多个运行在不同端口的进程（用于负载均衡）。PM2 启动命令：

pm2 start diabetes_redsamurai_endpoint_db.py

pm2 monit 能够展示运行中的进程的信息：

用 Postman 调用 Flask 提供的机器学习分类模型 REST API：

更多信息：

GitHub 仓库源码
之前关于 XGBoost 模型训练的文章

如果发现译文存在错误或其他需要改进的地方，欢迎到掘金翻译计划对译文进行修改并 PR，也可获得相应奖励积分。文章开头的 本文永久链接 即为本文在 GitHub 上的 MarkDown 链接。

掘金翻译计划是一个翻译优质互联网技术文章的社区，文章来源为掘金上的英文分享文章。内容覆盖 Android、iOS、前端、后端、区块链、产品、设计、人工智能等领域，想要查看更多优质译文请持续关注掘金翻译计划、官方微博、知乎专栏。