蓝狮平台_蓝狮注册登录云技术中心

Python实现机器学习前后端页面的交互

image.png


对于机器学习爱好者而言,很多时候我们需要将建好的模型部署在线上,蓝狮注册研发专利实现前后端的交互,今天小编就通过Flask以及Streamlit这两个框架实现机器学习模型的前后端交互。


模型的建立

首先是模型的建立,小编这回为了省事儿建立一个非常简单的二分法模型,所引用的数据集如下所示


import pandas as pd


df = pd.read_csv("data.csv")

df.head()

output


Height Weight Species 0 88.9 48.3 Dog 1 90.2 47.4 Dog 2 82.7 44.8 Dog 3 81.4 48.2 Dog 4 83.5 39.9 Dog 

所涉及到的特征也就两列分别是“Hight”以及“Weight”也就是身高和体重,我们需要通过这两个特征来预测它到底是“猫”还是“狗”,代码如下


X = df[["Height", "Weight"]] y = df["Species"]


clf = GaussianNB() 

clf.fit(X, y)

当然小编为了省事儿这里并没有进行训练集和测试集的区分,也没有进行任何的调参以及模型的优化,只是简单的建立了一个朴素贝叶斯的二分类模型。接下来我们将建立好的模型保存下来


import joblib


joblib.dump(clf, "clf.pkl")

Flask框架

前端页面主要是由一系列的HTML代码写成的,代码如下


<!DOCTYPE html> <html> <head> <title>Your Machine Learning App</title> </head> <body> <form name="form", method="POST", style="text-align: center;"> <br> Height: <input type="number" name="height", placeholder="Enter height in cm" required/> <br><br> Weight: <input type="number" name="weight", placeholder="Enter weight in kg" required/> <br><br> <button value="Submit">Run</button> </form> <p style="text-align: center;">{{ output }}</p> </body> </html> 

输出结果如下:


Python实现<a href='/map/jiqixuexi/' style='color:#000;font-size:14px;'>机器学习</a>前后端页面的交互

我们可以看到有两个输入框分别代表的是身高与体重,以及运行的按钮键。接下来我们来写后端的逻辑代码,当前端传过来数据的时候,也就是身高与体重的数据的时候,后端的代码来调用已经训练好的模型并且做出预测,然后显示在前端的页面上。在Flask框架中后端的业务代码大致如下


from flask import Flask, request, render_template import pandas as pd import joblib # 声明是一个Flask应用 app = Flask(__name__) # 主要业务逻辑 # ------------------ # 运行整体的应用 if __name__ == '__main__':

    app.run(debug = True)

那么在本篇文章的项目背景下,代码如下


@app.route('/', methods=['GET', 'POST']) def main(): # 表单数据提交,POST请求 if request.method == "POST": # 调用已经训练好的模型 clf = joblib.load("clf.pkl") # 从输入框中获取身高与体重数据 height = request.form.get("height")

        weight = request.form.get("weight") # 转变成DataFrame格式 X = pd.DataFrame([[height, weight]], columns = ["Height", "Weight"]) # 获取预测值 prediction = clf.predict(X)[0] else: prediction = "" return render_template("website.html", output = prediction)

然后我们运行整个脚本,效果如下


Python实现<a href='/map/jiqixuexi/' style='color:#000;font-size:14px;'>机器学习</a>前后端页面的交互

我们试着输入一些身高与体重的值,看一下返回的结果,效果如下


Python实现<a href='/map/jiqixuexi/' style='color:#000;font-size:14px;'>机器学习</a>前后端页面的交互

Streamlit框架

下面我们来看一下将模型部署在Streamlit框架下该如何来操作。在Streamlit框架中没有特别明显的前后端代码的分离,代码如下


import streamlit as st import pandas as pd import joblib # 标题 st.header("Streamlit Machine Learning App") # 输入框 height = st.number_input("Enter Height")

weight = st.number_input("Enter Weight") # 点击提交按钮 if st.button("Submit"): # 引入训练好的模型 clf = joblib.load("clf.pkl") # 转换成DataFrame格式的数据 X = pd.DataFrame([[height, weight]],

                     columns=["Height", "Weight"]) # 获取预测出来的值 prediction = clf.predict(X)[0] # 返回预测的值 st.text(f"This instance is a {prediction}")