【文件属性】：
文件名称：部署机器学习模型：使用Flask将Docker学习和机器学习模型作为REST API进行部署
文件大小：62KB
文件格式：ZIP
更新时间：2021-02-03 07:24:50
python docker machine-learning deployment rest-api
使用Flask Dockerize并将机器学习模型作为REST API部署
一个可以服务于预测机器学习模型的简单Flask应用程序。 启动Flask应用程序后，将一个腌制的sklearn模型读入内存，并通过/ predict端点返回预测。 您还可以使用/ train端点来训练/重新训练模型。
部署ML模型的步骤
安装Flask和Docker
序列化您的scikit学习模型（可以使用Pickle或JobLib完成）
[可选]将列名称列表添加到scikit对象，例如：rf.columns = ['Age'，'Sex'，'Embarked'，'Survived']
创建一个单独的flask_api.py文件，该文件将使用Flask构建Web服务
运行python flask_api.py
转到http地址检查其是否正常工作
创建一个执行以下项目的dockerfile
安装ubuntu，python和git
从git克隆代码回购或将本地python代码移动到容器中的/ app
将WORKDIR设置为/ app
在requirements.xt中安装软件包
露出端口以进行烧瓶定位
【文件预览】：
Deploy-machine-learning-model-master
----example_http_requests.py(799B)
----data()
--------titanic.csv(59KB)
----model()
--------model.pkl(171KB)
--------model_columns.pkl(134B)
----Dockerfile(2KB)
----tests()
--------tests.py(172B)
----LICENSE(1KB)
----requirements.txt(222B)
----.gitignore(1KB)
----flask_api.py(3KB)
----README.md(4KB)
----example_http_requests.bash(732B)
----Dockerfile_python(374B)