使用基于python的flask框架在服务器端部署机器学习模型pmml格式文件

安装anaconda环境

访问https://www.anaconda.com/products/individual 拉到底部，下载并安装相应版本的anaconda 命令行输入conda -V，查看是否安装成功

开发

• 安装flask、pypmml

命令行输入

pip install flask

pip install pypmml

• 新建server.py并写入

from flask import Flask, jsonify, request
import json
from pypmml import Model

app = Flask(__name__)

@app.route('/predict', methods=['POST'])
def predict():
    input_json = request.get_data(as_text=True)   #调用服务器时输入的json字符串
    dict_json = json.loads(input_json)
    model = Model.load('lr_model.pmml')#加载模型文件
    result = model.predict(dict_json)
    return jsonify({'probability(0)':result['probability(0)'],'probability(1)':result['probability(1)']})

if __name__ == '__main__':

    app.run()

• 将pmml格式的模型文件放在同一目录

执行server.py

命令行输入

%run server.py

测试接口

使用postman请求http://127.0.0.1/predict ，注意是post请求，需携带模型需要的参数，发送即可看到结果返回

进程管理

可以使用gunicorn、pm2等进行进程管理

pm2 start main.py -x --interpreter python

来源：oschina

链接：https://my.oschina.net/u/3986435/blog/4438542