人妻日韩欧美综合制服,日韩av电影+中文字幕

import numpy as np
from sklearn.ensemble import RandomForestClassifier

# 訓(xùn)練一個簡單的模型
model = RandomForestClassifier()
X = np.random.randn(100, 4)
y = np.random.randint(0, 2, 100)
model.fit(X, y)

# 保存模型到bentoml
bentoml.sklearn.save_model(
"iris_classifier",
model,
signatures={
"predict": {"batchable": True}
}
)

創(chuàng)建Service類

接下來，我們創(chuàng)建一個服務(wù)類來包裝我們的模型：

import bentoml

import numpy as np

from bentoml.io import NumpyNdarray



# 加載保存的模型

iris_clf_runner = bentoml.sklearn.get("iris_classifier:latest").to_runner()



# 創(chuàng)建服務(wù)

svc = bentoml.Service("iris_classifier", runners=[iris_clf_runner])



# 創(chuàng)建API端點

@svc.api(input=NumpyNdarray(), output=NumpyNdarray())

async def predict(input_array: np.ndarray) -> np.ndarray:

    result = await iris_clf_runner.predict.async_run(input_array)

    return result

部署和使用

寫好Service后，我們可以把它保存成service.py，然后用命令行啟動服務(wù)：

bentoml serve service:svc

接下來就可以用curl或者Python請求這個服務(wù)了：

import requests

import numpy as np



# 準(zhǔn)備測試數(shù)據(jù)

test_data = np.random.randn(1, 4)



# 發(fā)送請求

response = requests.post(

    "http://localhost:3000/predict",

    json=test_data.tolist()

)



print(response.json())

高級功能展示

bentoml還支持很多高級功能，比如模型版本管理和API文檔自動生成：

import bentoml

from bentoml.io import JSON, NumpyNdarray

from pydantic import BaseModel



class IrisInput(BaseModel):

    sepal_length: float

    sepal_width: float

    petal_length: float

    petal_width: float



svc = bentoml.Service(

    "iris_classifier_advanced",

    runners=[iris_clf_runner]

)



@svc.api(

    input=JSON(pydantic_model=IrisInput),

    output=JSON(),

    description="預(yù)測鳶尾花品種"

)

async def predict_species(input_data: IrisInput):

    input_array = np.array([[

        input_data.sepal_length,

        input_data.sepal_width,

        input_data.petal_length,

        input_data.petal_width

    ]])

    result = await iris_clf_runner.predict.async_run(input_array)

    return {"predicted_species": int(result[0])}

小貼士

1. bentoml默認(rèn)使用3000端口，可以通過--port參數(shù)修改
2. 生產(chǎn)環(huán)境部署時記得配置CORS和認(rèn)證
3. 可以用bentoml models list查看所有保存的模型
4. 在bentoml.Service中可以設(shè)置多個runners，實現(xiàn)模型ensemble

實戰(zhàn)小練習(xí)

試試看：把你之前訓(xùn)練的任意一個機(jī)器學(xué)習(xí)模型用bentoml包裝成服務(wù)，并嘗試用不同的方式（curl、Python requests、Swagger UI）來調(diào)用它。

提示：訪問http://localhost:3000/docs可以看到自動生成的API文檔和在線測試界面。

小伙伴們，今天的Python學(xué)習(xí)之旅就到這里啦！記得動手敲代碼，有問題隨時在評論區(qū)問阿圖哦。bentoml真的是機(jī)器學(xué)習(xí)部署的神器，掌握了它，你的模型就能輕松上線啦！祝大家學(xué)習(xí)愉快，Python學(xué)習(xí)節(jié)節(jié)高！

本文章轉(zhuǎn)載微信公眾號@月光下的阿圖