创建机器学习模型并对现实问题进行预测听起来很酷。但是，除了模型的创建者之外，这对其他任何人都没有什么用，因为它只能在他们的机器上使用。
在本文中，我们将介绍如何使用Flask（用于在Python中构建网站和API的微框架）来构建Web API
让我们通过在Python中构建一个简单的线性回归模型来开始该过程
第一步。使用Scikit Learn导入构建线性回归模型所需的所有必要库
在这里，我使用homeprices.csv文件来训练我们的模型，该模型具有两个功能，面积和房价。
第二步。使用熊猫读取数据并定义我们的变量进行训练
model_1.py
import pandas as pd
import numpy as np
from sklearn import linear_model
import matplotlib.pyplot as plt
model_2.py
df = pd.read_csv('homeprices.csv')
x=df[['area']]
y=df[['price']]
第三步。训练我们的模型
第四步。计算分数和系数，并对面积变量的某个值进行预测。
model_3.py
reg = linear_model.LinearRegression()
reg.fit(x,y)
model_4.py
print(reg.score(x,y))
print(reg.predict([[3300]]))
print(reg.coef_)
print(reg.intercept_)
现在我们的简单线性回归模型已经准备就绪，让我们着手进行模型持久化并将以上内容另存为.pkl文件
model.py
from sklearn.externals import joblib
joblib.dump(reg,"linear_reg.pkl")
现在，我们的模型已保存，可以随时通过再次加载该模型进行重用。
让我们使用Flask构建一个Web API，并了解以简单方式实现相同目的的过程。
Flask简介
如果您下载了Anaconda发行版，则已经安装了Flask，否则，您将必须使用—自行安装pip install flask。
Flask非常少，因为您只在需要时才引入零件。为了演示这一点，这里是Flask代码，用于创建一个非常简单的Web服务器。
from flask import Flask
app = Flask(__name__)
@app.route("/")
def hello():
return "Hello World!"
if __name__ == '__main__':
app.run(debug=True)
执行后，您可以导航到终端上显示的网址，并观察预期的结果。
让我们回顾一下所执行的代码在做什么。
导入后，我们创建Flask类的实例，并传入namePython为我们填充的变量。"main"如果此文件直接作为脚本通过Python运行，则此变量为。如果我们改为导入文件，则的值name将是我们进行导入的文件的名称。举例来说，如果我们有test.py和run.py，和我们进口test.py到run.py该name值test.py会test。
在我们的hello方法定义上方，有@app.route("/")一行。的@表示装饰，这允许功能，属性，或类是先于被动态改变。
该hello方法是在我们的应用程序或API的路由达到顶级路由时，我们将代码运行的地方/。
如果我们的name变量main,指示我们直接运行文件而不是导入文件，那么它将启动Flask应用程序，该应用程序将运行并等待Web请求，直到过程结束。
创建API
预测API
预测API非常简单。我们将其数据，房屋面积提供给我们，并将其传递给我们predict的模型方法。
from flask import Flask,jsonify,request
from sklearn.externals import joblib
app = Flask(__name__)
@app.route("/", methods=['POST','GET'])
def index():
if(request.method == 'POST'):
data = request.get_json()
house_price = float(data["area"])
lin_reg = joblib.load("./linear_reg.pkl")
return jsonify(lin_reg.predict([[house_price]]).tolist())
else:
return jsonify({"about":"Hello World"})
if __name__ == '__main__':
app.run(debug=True)
这里发生了很多事情，所以让我们分解一下。
与上面介绍Flask的代码相似，我们称@app.route装饰器。
在路由方法定义中，我们将请求方法限制为GET / POST，如果这样，我们将获取请求主体的JSON，以便我们可以访问其数据。使用该变量，我们可以访问所需数据的键，area并将其解析为浮点数。我们还将模型从持久性文件加载到内存中。
如果解析数据没有错误，则将解析后的变量传递到predict线性回归模型的方法中。在启动时加载Flask应用时，变量被拉入内存。接下来，我们必须将predict方法的输出更改为列表，因为没有它，我们将得到一个错误：Object of type 'ndarray' is not JSON serializable。然后，我们调用Flask方法将响应数据作为JSON发送。
现在我们可以运行我们的API（在PyCharm中，您可以右键单击脚本中的任意位置，然后单击“运行”）。通过运行我们的API，我们可以执行代码来调用它。
import requests
data = {"area": 3300}
response = requests.post("{}/".format("http://127.0.0.1:5000"), json =data )
print("Price of the house should be "+ str(response.json()))
最后，我们可以在终端上看到输出。
在这篇文章中，我们了解了Flask是什么，如何使用它来创建API，最重要的是，如何应用这些知识来创建与机器学习模型进行交互的API。
希望本教程对您有所帮助，谢谢您的阅读。我对您的想法感到好奇，所以打了一些评论给我。