mlserve 0.0.1a6

mlserve

mlserve将您的python模型转换为restful api，为web页面提供 生成与输入数据匹配的表单。

如果一个人想演示创建的预测模型和 快速集成到现有应用程序中。此外，还为 输入数据（基于培训数据框架）和简单的仪表板。

项目尚未完成，但已可用，因此对api或ui没有任何保证 向后兼容。

在线演示

几个使用heroku.com/free免费dynos在线部署的模型。 免费应用程序在30分钟不活动后自动休眠，因此首先请求 可能需要一些时间。

• https://young-ridge-56019.herokuapp.com

功能

• 通过restful api端点服务的模型预测。
• 通过生成的ui提供模型预测。
• 简化模型使用的网页。
• 自动生成与输入数据匹配的用户界面。
• 用于监视的简单仪表板。

安装

安装过程很简单，只要：

$ pip install git+https://github.com/jettify/mlserve.git

示例

要部署模型，只需遵循以下简单步骤：

将模型保存到pickle文件中：

with open('boston_gbr.pkl', 'wb') as f:
    pickle.dump(clf, f)

使用build_schema函数构建pandas数据帧的ui表示， 并将其保存为json文件：

import mlserve

data_schema = mlserve.build_schema(df)
with open('boston.json', 'wb') as f:
    json.dump(data_schema, f)

创建以下格式的配置文件：

models:
  - name: "boston_regressor"  # url friendly name
    description: "Boston GBR"  # optional model description
    model_path: "boston_gbr.pkl"  # path to your saved model
    data_schema_path: "boston.json"  # path to data representation
    target: "target"  # name of the target column

服务模式：

$ mlserve -c models.yaml

就是这样，模型是可用的throw rest api，您可以用curl命令进行测试：

$ curl --header "Content-Type: application/json" --request POST
--data '[{"feature1": 1, "feature2": 2}]'
http://127.0.0.1:9000/api/v1/models/boston_gradient_boosting_regressor/predict

用户界面可通过http://127.0.0.1:9000

支持的框架

• SCIKIT学习
• Keras（规划）
• Pythorch（规划）

更改