基于Python构建机器学习Web应用
目录
一、内容介绍
1.Onnx模型
①skl2onnx库安装
2.Netron安装
二、模型构建
1.数据加载
2.划分可训练特征与预测标签
3.训练模型
①第三方库导入
②数据集划分
③SVC模型构建
④精度评价
二、模型转换及可视化
1.参数配置
2.Onnx模型生成
3.可视化模型
四、构建Web应用程序
1.构建HTML文件
2.构建JavaScript代码
3.测试Web程序
六、总结
本文相关数据资源免费下载
在本文中，你将学到：
0 如何构建模型并将其保存为Onnx模型
1 如何使用Netron可视化模型
2 如何在Web应用中使用模型进行预测
机器学习最有用的实际用途之一是构建推荐系统，今天我们可以朝着这个方向迈出第一步！
一、内容介绍
在系列8的文章中，我们构建了一个基于UFO目击事件的回归模型，对其使用pickle库进行封装打包，并基于Flask库构建了Web应用，虽然这个打包方法简单易用，但是对于大多数Web应用，其构建环境是基于JavaScript语言的，因此使用一个JavaScript打包并使用模型更容易拓展和广泛应用。
1.Onnx模型
构建机器学习模型应用是AI业务系统中的重要组成部分。通过使用Onnx，我们可以在各种Web应用程序中使用模型。Python的第三方库skl2onnx可以帮我们把Scikit-learn模型转换为Onnx模型。
ONNX(Open Neural Network Exchange)，开放神经网络交换，是用于在各种深度学习训练和推理框架转换的一个中间表示格式。在实际业务中，可以使用Pytorch或者TensorFlow训练模型，导出成ONNX格式，然后在转换成目标设备上支撑的模型格式，比如TensorRT Engine、NCNN、MNN等格式。ONNX定义了一组和环境，平台均无关的标准格式，来增强各种AI模型的可交互性，开放性较强。
①skl2onnx库安装
pip install -i https://mirrors.aliyun.com/pypi/simple/ skl2onnx看到下图信息代表安装成功：
2.Netron安装
Netron是一个深度学习模型可视化库，其支持以下格式的模型存储文件：
ONNX (.onnx, .pb)
Keras (.h5, .keras)
CoreML (.mlmodel)
TensorFlow Lite (.tflite)
netron并不支持pytorch通过torch.save方法导出的模型文件，因此在pytorch保存模型的时候，需要将其导出为onnx格式的模型文件，可以利用torch.onnx模块实现这一目标。
Netron安装链接
安装好以后，双击即可运行，选中我们模型进行可视化查看。
二、模型构建
首先，使用我们之前已清理的亚洲美食数据集训练SVC线性分类模型。
1.数据加载
导入第三方库并调用查看之前处理好的亚洲美食数据集。
import pandas as pd
data = pd.read_csv('cleaned_cuisines.csv')
data.head()
2.划分可训练特征与预测标签
删去不需要的两列数据，并将剩余数据赋值给X，同理将标签另存为Y：
X = data.iloc[:,2:]#X为可训练特征
Y = data['cuisine']#Y为预测标签3.训练模型
①第三方库导入
从Scikit-learn库中导入需要的函数：
from sklearn.model_selection import train_test_split#用于数据集的划分
from sklearn.svm import SVC#SVC模型
from sklearn.model_selection import cross_val_score#
from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report#调用精度评价函数②数据集划分
将数据集以7：3的比例划分为训练集与测试集：
X_train, X_test, Y_train, Y_test = train_test_split(X,Y,test_size=0.3)③SVC模型构建
构建一个SVC模型，核函数为“linear”。使用划分好的训练集数据进行模型训练。
model = SVC(kernel='linear', C=10, probability=True,random_state=0)
model.fit(X_train,Y_train.values.ravel())④精度评价
用训练好的模型预测出预测标签Y_pred，并打印出精度评价表。
Y_pred = model.predict(X_test)
print(classification_report(Y_test,Y_pred))
二、模型转换及可视化
在前文中，我们以及训练好了SVC模型，其精度达到了79%。现在我们需要将模型转换为Onnx格式。
确保使用正确的张量数进行转换，此数据集中有380个特征，因此我们需要在FloatTensorType函数中设定好特征数量。
1.参数配置
配置好Onnx模型参数，如数据类型为Float，数据类型为[1,380]的张量。
from skl2onnx import convert_sklearn
from skl2onnx.commmon.data_types import FloatTensorType
initial_type = [('float_input',FloatTensorType([None, 380]))]
options = {id(model):{'nocl': True, 'zipmap': False}}2.Onnx模型生成
基于以上参数生成Onnx模型并保存在model.onnx文件中：
onx = convert_sklearn(model, initial_types=initial_type, options=options)
with open("model.onnx", "wb") as f:
f.write(onx.SerializeToString())
现在，我们可以在文件夹中看到Onnx模型。
3.可视化模型
Onnx模型结构在代码中看起来并不是很明显，我们Netron软件来可视化模型。打开Netron软件，点击Open model，加载模型，选择我们刚刚生成的model.onnx文件。
可以看到，模型的结构已被可视化，其中列出了380个特征输入与所用的分类器。我们可以点击不同的部分查看其数据类型，输出结果类型以及参数配置。
四、构建Web应用程序
现在，我们已经准备在Web应用程序上使用此模型，首先，我们先构建一个Web应用程序。
1.构建HTML文件
在文件夹下新建index.html，加入以下代码：（简单的Web代码，有点前端基础应该都能看懂）
