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 項目的目錄。為此應(yīng)用程序創(chuàng)建一個目錄并將其復(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 Django 項目，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。
“項目”對應(yīng)于我們正在開發(fā)的應(yīng)用程序，而 Django 將項目中的包稱為“應(yīng)用程序”。主要包將是 API。
Start Project API 創(chuàng)建了大量運行我們的項目所需的樣板代碼。它將類似于左側(cè)的文件樹。
外部 /api 文件夾只包含我們項目的所有代碼。
我們項目的主要 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)該會看到默認的 Django 歡迎網(wǎng)頁。
之后，我們將在我們的項目中創(chuàng)建一個“應(yīng)用程序”。這將傳播 API 背后的機器學(xué)習(xí)。我們將命名這個聲音預(yù)測器。
cd api
python manage.py startapp soundpredictor我們添加了一個名為 /soundpredictor 的文件夾，里面有很多文件。
view.py包含可以在每個請求上運行的代碼。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)建一個名為 /models 的文件夾很重要。將經(jīng)過訓(xùn)練的模型移動到此目錄中。
請注意，在真實的生產(chǎn)環(huán)境中，這樣我們就不必在每次模型更改時重新部署應(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)用程序啟動時加載模型的代碼。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)在我們需要創(chuàng)建一個視圖來鼓勵我們的回歸邏輯。打開 /api/predictor/views.py 并使用此代碼進行更新。
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)),
]要開始該項目，請打開一個 jupyter notebook。運行命令，
pip3 install jupyter notebook
ipython kernel install --user --name=venv創(chuàng)建一個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，每個內(nèi)部列表中的第一個索引是動物的聲音，第二個索引是指示動物是否是鴨子的布爾標簽。
data = [
['Honk', 1],
['Woof', 0],
['ruff', 0],
['bowwow', 0],
['cackle', 1],
['moo', 0],
['meow', 0],
['clang', 1],
['buzz', 0],
['quack', 0],
['pika', 0]
]下一個任務(wù)是將上述數(shù)據(jù)轉(zhuǎn)換為特征和標簽列表。
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" ) )我們可以使用以下命令運行服務(wù)器：
python manage.py runserver添加幾個 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 可以加載和運行經(jīng)過訓(xùn)練的機器學(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@機器學(xué)習(xí)算法與知識圖譜