## 前言
### 学历与定位
近日在某论坛,有网友提问道:搞机器学习是不是要博士或是硕士学历,是不是要求很高,顶会论文?本科生或者更低学历的,是不是就没有机会了?从最近公司的招聘来看,算法工程师的 bar 确实有在提高。但在某些事业部,仍需要很大的人力来做落地场景。每个人都要找准自己的定位,公司也有它的部门定位。如果是发论文、要在学术界站稳脚跟,给投资人“我们很重视最新技术”的信心,那博士确实很重要。另一个角度,从实用角度来说,研究生和本科生可能性价比更高。当然,作为一个小本就工作的人,没有较为丰富的实战经验,有机会的话,还是拿到硕士及更高学历比较好。这里的实战经验就比如:搭建一个完整的、涉及算法模型、后端及前端的系统。
### 模型算法的实用主义
机器学习的实用主义,不是在论文多少,而是用正确的方法去解决正确的问题。而作为背后的工程师,除了调参、除了写 sql,做调包侠、做 sql boy、报表 boy 以外,在之前的文章也提到过,要学会做正确的展示,做全套的工程化实施。毕竟,等排期很难受;有些情况前后端资源不够,或者优先级很低,那就需要自己动手了。以下以上面的垃圾邮件分类为例子,说明该如何搭建一个前后端完整的机器学习系统。
关注微信公众号:谷粒先生,下载权重文件并第一时间获取更新。
这里将本次的任务拆解,分为三个部分来讲。后端 flask、前端 Vue、ML 模型采用 flair,项目地址 [kuhung/flask_vue_ML](/kuhung/flask_vue_ML)
## 后端 flask
### 相关依赖的安装
pip install -r requirements.txt
### 核心函数
1. 导入函数包
from flask import Flask, jsonify, requestfrom flask_cors import CORS # 做跨域的准备from flask import session # 追踪客户端会话from flair.models import TextClassifier # 模型导入,采用前不久开源的 flair 做文本分类from flair.data import Sentence
2. 准备工作
app = Flask(__name__) # 声明准备app.secret_key = "super_secret_key"CORS(app)classifier = TextClassifier.load_from_file('models/best-model.pt') # 模型加载
3. 配置 flask 的路由
# 根路由配置@app.route('/', methods=['GET'])def index(): return jsonify("welcome to Kuhung API")# GET 方法,这里 session 的作用是追踪客户端会话,防止重复请求模型@app.route('/api/tasks', methods=['GET'])def get_result(): result = [] try: data_result = session['my_result'] result.append ({'title': data_result['title'], 'tag': data_result['tag'] }) except: result.append ({'title': 'The txt you input', 'tag': 'spam or ham' }) return jsonify(result)# POST 方法@app.route('/api/task', methods=['POST'])def input_predict_text(): title = request.get_json()['title'] # 解析请求 sentence = Sentence(title) # 对请求做数据预处理 classifier.predict(sentence) # 调用模型,做预测,返回带标签的数据 text = sentence.to_plain_string() # 解析出原始数据 label = sentence.labels[0] # 解析出标签 result = {'title' : text, 'tag' : label.value} # 拼接成字典格式 session['my_result'] = result # 存入 session ,以减少重复请求对模型的压力 return jsonify(result) # 返回 json 格式的数据if __name__ == '__main__': app.run(debug=True) # 开发过程中开启 debug 调试模式
### 启动服务
python app.py
## 前端 vue
前端采用 Vue 框架,与后端分离。使用 Webpack 进行资源管理与打包。
### 相关依赖的安装
npm install -g vue-clinpm install
### 自定义组件
通过 `vue init webpack flask_vue_ML` 后,进入项目文件夹,增加自定义内容。
#### index.html
exposemodel
#### src 文件夹
- components
- Home.vue // 自定义组件,增加
- router
- index.js // 路由,修改
- App.vue // 主组件,修改
- main.js // 入口文件,修改
##### Home.vue
这里定义页面的基本样式,以及获取数据的逻辑。
Natural Language Processing (NLP)
Spam Classification Submit
##### index.js
定义路由,设定访问路径,并将路径和组件关联
import Vue from 'vue'import Router from 'vue-router'import Home from '@/components/Home'Vue.use(Router)export default new Router({ routes: [ { path: '/', name: 'Home', component: Home } ]})
##### App.vue
主组件
##### main.js
初始化实例并加载必要插件
// The Vue build version to load with the `import` command// (runtime-only or standalone) has been set in webpack.base.conf with an alias.import Vue from 'vue'import App from './App'import router from './router'import VueProgressBar from 'vue-progressbar'require('../node_modules/bootstrap/dist/css/bootstrap.css')Vue.config.productionTip = false// 这是进度条Vue.use(VueProgressBar, { color: 'rgb(143, 255, 199)', failedColor: 'red', height: '10px'})/* eslint-disable no-new */new Vue({ el: '#app', router, components: { App }, template: ''})
### 启动服务
npm run dev
## 模型 flair
模型这里采用 fair 框架,该框架在 年底发布,易用性和效果都较前方案有了较大提升。这里直接采用官方样例训练好的垃圾邮件分类模型的权重,也就是在上文后端所读取的文件。关注我的公众号:谷粒先生,回复**权重**,即可获得权重文件链接。
### 模型调用
from flair.models import TextClassifier # 模型导入,采用前不久开源的 flair 做文本分类from flair.data import Sentenceclassifier = TextClassifier.load_from_file('models/best-model.pt') # 模型加载sentence = Sentence(title) # 对请求做数据预处理classifier.predict(sentence) # 调用模型,做预测,返回带标签的数据
## 效果展示
本教程针对文本分类这个场景,构建了一套前后端分离的“完整”框架,能够给到一个最直观的感受。当然,这里还有很多优化空间,还有后续部署等事宜没有详细展开,有心的同学可以自行检索学习。通过这套流程,可以在测试服搭建一套实用主义哲学的算法模型。给到领导做展示或是公司内部使用,已经足够。项目地址 [kuhung/flask_vue_ML](/kuhung/flask_vue_ML)
### 终端端网站访问
关注微信公众号:谷粒先生,下载权重文件并第一时间获取更新。
喜欢我的朋友,别忘了点赞 、喜欢 ❤ +关注 哦,你的鼓励是对我最大的支持~
如果觉得《前后端分离后 前端获得session数据_机器学习模型部署--打通前后端任督二脉》对你有帮助,请点赞、收藏,并留下你的观点哦!