Развертывание моделей машинного обучения из онлайн-блокнотов (colab, kaggle) на локальном сервере.
Развертывание машинного обучения — это процесс развертывания модели машинного обучения в реальной среде для целей разработки, демонстрации/презентации или производства. Жизненный цикл любой модели машинного обучения не завершен до тех пор, пока она не будет развернута для использования конечным пользователем или послужит цели создания.
Тем не менее, развертывание ML-моделей — одна из основных задач специалистов по данным, да, я говорю по своему опыту, особенно когда вы пишете код в онлайн-блокноте, таком как kaggle и colab. Развертывание машинного обучения может быть очень сложным, и выбор метода развертывания может варьироваться в зависимости от таких факторов, как тип среды, тип и назначение модели, цель развертывания и т. д.
Когда я попытался развернуть свою первую модель машинного обучения для целей презентации, это было для меня сложной задачей, настолько утомительной, что я почти сдался после безрезультатных попыток различных подходов, поэтому эта статья направлена на предоставление пошагового подхода к как новичкам, так и экспертам в развертывании модели машинного обучения с использованием Flask и ngrok.
Ваша модель готова и готова к развертыванию, выполните следующие действия:
- Посетите https://ngrok.com/ и зарегистрируйтесь.
- Перейдите на панель управления и нажмите вкладку «Ваш токен». Здесь вы найдете свой токен авторизации, который дает вам доступ к запуску сервера и доступу к вашему локальному компьютеру через сгенерированную ссылку.
Примечание. Ваш токен авторизации дает вам доступ к запуску одного сервера в любой момент времени, т. е. вы можете запускать только одно приложение одновременно. Вы можете получить доступ к нескольким URL-адресам, пользовательскому домену и другим функциям в платной учетной записи.
- В блокноте установите необходимые пакеты и импортируйте модули. Установите authtoken с помощью команды — !ngrok authtoken authtoken
- Загрузите необходимые html-файлы — homepage.html и result.html в папку с именем templates и добавьте данные в свой блокнот.
- Установите параметры сервера и приложения и запустите приложение Flask. Это возвращает ссылку, которую можно использовать для доступа к приложению из любого места, что делает ваш компьютер локальным сервером.
- Запустите сервер Flask в новом потоке.
- Используйте командную строку ngrok.kill(), чтобы убить сервер, когда закончите.
Примечание. Существует несколько других методов и платформ для развертывания модели машинного обучения, главное — найти метод, который работает для целей модели. Я нашел эту замечательную статью.
Я надеюсь, что эта статья сэкономит вам много драгоценного времени и усилий при поиске метода развертывания вашей модели машинного обучения. Ваше здоровье!
