Flask框架建立模型API介面並部署上線

模型訓練後如何將模型打包上線，下面用flask框架實現模型的部署和實時**。

直接上乾貨,檔名稱為flask_model.py

import numpy as np

from flask import flask
from flask import request
from flask import jsonify
from sklearn.externals import joblib
#匯入模型
model = joblib.load('model.pickle')
#temp = [5.1,3.5,1.4,0.2]
#temp = np.array(temp).reshape((1, -1))
#ouputdata = model.predict(temp) 
##獲取**分類結果
#print('分類結果是：',ouputdata[0])
def output_data():
text=request.args.get('inputdata')
if text:
temp = [float(x) for x in text.split(',')]
temp = np.array(temp).reshape((1, -1))
ouputdata = model.predict(temp) 
return jsonify(str(ouputdata[0]))
if __name__ == '__main__':
print('執行結束')

>>> python flask_model

# 呼叫api介面

import requests
base = ''
response = requests.get(base)
answer = response.json()
print('**結果',answer)

from flask import flask, request, jsonify

import json 
def add_stu():
if not request.data: #檢測是否有資料
return ('fail')
student = request.data.decode('utf-8')
#獲取到post過來的資料，因為我這裡傳過來的資料需要轉換一下編碼。根據晶具體情況而定
request_id = request.form['id']
student_json = json.loads(request_id )
#把區獲取到的資料轉為json格式。
return jsonify(student_json)
#返回json資料。
if __name__ == '__main__':
#127.0.0.1是本地的意思，如果要部署到伺服器需要安裝世界的ip位址進行修改

import requests,json

data = 
url = ''
r = requests.post(url,data=json.dumps(data))
print(r.json())

# gevent

from gevent import monkey
from gevent.pywsgi import wsgiserver
# 下面這句不加也能啟動服務，但是你會發現flask還是單執行緒，在乙個請求未返回時，其他請求也會阻塞，所以請新增這句
monkey.patch_all()
# gevent end
from flask import flask
def index():
# 測試阻塞url1時，url2是否能夠訪問
Django建立模型
在django中寫乙個資料庫驅動的web應用的第一步是定義模型，這是資料庫結構設計和附加的其他元資料。在投票應用中，將建立question 問題 和choice 選項 兩個模型，question模型包括問題描述和發布時間，choice模型包括選項描述和當前得票數。每個選項屬於乙個問題。重寫polls...
Flask框架 建立app物件
將 name 傳入到flask物件中，表示flask以這個模組所在目錄為根目錄，預設根目錄下，static目錄為靜態檔案目錄，templates目錄為模板目錄。路由 使用 物件名稱.route 路徑 向頁面返回字串可以return 後面直接寫字串即可 預設的訪問靜態檔案的路由是 static hel...
Flask框架 07 模型使用配置
flask預設並沒有提供任何資料庫操作的api 我們可以選擇任何適合自己專案的資料庫來使用 flask中可以自己選擇資料，用原生語句實現功能，也可以選擇orm sqlalchemy，mongoengine sqlalchemy是乙個很強大的關係型資料庫框架，支援多種資料庫後台。sqlalchemy提...