本系列介紹 開發和部署 ( M L ) 模型。在本文中， 你將學習如何部署 ML 模型到 Google 云平臺. 第 1 部分給出了 ML 工作流概括 ，考慮了使用機器學習和數據科學來實現商業價值所涉及的各個階段。在第 2 部分中，您將學習訓練并保存 ML 模型并將其部署為 ML 系統的一部分。

在為 ML 系統構建端到端管道時，最后一步是將經過訓練的模型部署到生產環境中。成功的部署意味著 ML 模型已從研究環境中移出并集成到生產環境中，例如，作為一個實時應用程序。

在本文中，您將學習使用 Google 云平臺（ GCP ）將 ML 模型投入生產的三種方法。雖然您可以使用其他幾種環境，例如 AWS 、 Microsoft Azure 或本地硬件，但本教程使用 GCP 部署 web 服務。

正在設置

通過您的 Google 帳戶注冊 Google Cloud Platform 。系統會提示您填寫一些信息，包括您的信用卡詳細信息。但是，您注冊該平臺將不收取任何費用。您還可以在前 90 天獲得價值 300 美元的免費信貸。

創建帳戶后， 創建新的項目并將其命名為 GCP-deployment-example 。不要將項目鏈接到組織。

確保已將當前項目更改為新創建的項目。

在 Google App Engine 上部署 ML 模型

在您可以在 GoogleAppEngine 上部署模型之前，還有一些額外的模塊要添加到代碼中。

本節中使用的代碼可以在 /kurtispykes/gcp-deployment-example GitHub repo 中找到。

第一步是在predict.py模塊中創建推理邏輯：

import joblib
import pandas as pd

model = joblib.load("logistic_regression_v1.pkl")

def make_prediction(inputs):
    """
    Make a prediction using the trained model
    """
    inputs_df = pd.DataFrame(
        inputs,
        columns=["sepal_length_cm", "sepal_width_cm", "petal_length_cm", "petal_width_cm"]
        )
    predictions = model.predict(inputs_df)
  
    return predictions

本模塊中的步驟包括：

將持久化模型加載到內存中。

創建一個將一些輸入作為參數的函數。

在函數中，將輸入轉換為 pandas DataFrame并進行預測。

接下來，推理邏輯必須封裝在 web 服務中。我用 Flask 包裝模型。有關詳細信息，請參閱main.py：

import numpy as np
from flask import Flask, request
from predict import make_prediction

app = Flask(__name__)

@app.route("/", methods=["GET"])
def index():
    """Basic HTML response."""
    body = (
        "

" "" "

Welcome to my Flask API

" "" "" ) return body @app.route("/predict", methods=["POST"]) def predict(): data_json = request.get_json() sepal_length_cm = data_json["sepal_length_cm"] sepal_width_cm = data_json["sepal_width_cm"] petal_length_cm = data_json["petal_length_cm"] petal_width_cm = data_json["petal_width_cm"] data = np.array([[sepal_length_cm, sepal_width_cm, petal_length_cm, petal_width_cm]]) predictions = make_prediction(data) return str(predictions) if __name__ == "__main__": app.run()

在代碼示例中，您創建了兩個端點：

index：可以看作是主頁

/predict：用于與部署的模型交互。

您必須創建的最后一個文件是 app.yaml ，其中包含用于運行應用程序的運行時。

runtime: python38

在 Google Cloud 控制臺中，執行以下步驟：

在切換菜單上，選擇 App Engine 。您可能必須選擇 View all products 才能訪問 App Engine ，它與 Serverless 產品一起列出）。

從 App Engine 頁面，選擇 Create Application 。

選擇要在其中創建應用程序的區域。

將應用程序語言設置為 Python 并使用 Standard 環境。

在右上角，選擇終端圖標。這將激活云外殼，這意味著您不必下載云 SDK 。

在部署應用程序之前，必須上載所有代碼。由于通過 web 服務與 ML 模型交互所需的所有代碼都上傳到 gcp-deployment-example/app_engine/ 中的 GitHub 上，因此您可以從云外殼中克隆此存儲庫。

將代碼 URL 復制到剪貼板并導航回 GCP 上的云外殼。向 shell 輸入以下命令：

git clone https://github.com/kurtispykes/gcp-deployment-example.git

通過輸入以下命令導航到代碼存儲庫：

cd gcp-deployment-example/app_engine

接下來， initialize the application 。確保您選擇了最近創建的項目。

現在，部署應用程序。從云 shell 運行以下命令。如果系統提示您繼續，請輸入Y。

gcloud app deploy

部署完成后，您將獲得服務部署位置的 URL 。打開提供的 URL 以驗證應用程序是否正常運行。您應該看到 歡迎使用我的 Flask API 消息。

接下來，測試/predict端點。

使用 Postman 發送 POST 請求以測試成功部署

您可以使用 Postman 向/predict端點發送 POST 請求。 Postman 是開發人員設計、構建、測試和迭代 API 的 API 平臺。

要開始，請選擇 免費注冊 。有一個完整的教程，但為了本篇文章的目的，請直接跳到主頁。

從那里，選擇 Workspaces 、 My Workspace 、 New ，然后選擇 HTTP Request 。

接下來，將 HTTP 請求從GET更改為POST，并在請求 URL 中插入到已部署服務的鏈接。

之后，導航到Body標頭并選擇raw，以便插入示例實例。選擇send。

圖 1 。 Postman 測試的預測終點

您向/predict端點發送了 POST 請求，其中包含一些定義模型輸入的原始數據。在響應中，模型返回[‘Iris-setosa’]，這是模型成功部署的積極指示。

您還可以使用 GCP 上提供的其他服務部署模型。

在 Google 云功能上部署 ML 模型

云功能是 GCP 上可用的無服務器技術之一。我對代碼做了一些更改，以使部署到云功能無縫。第一個也是最明顯的區別是不再從本地存儲庫導入序列化模型。相反，您正在調用 Google 云存儲中的模型。

將模型上傳到 Google 云存儲

在 GCP 部署示例項目中，選擇切換菜單。導航到 Cloud Storage 并選擇 Buckets 、 Create Bucket 。這將提示您為存儲桶和其他配置提供名稱。我把我的名字命名為model-data-iris。

創建桶后，下一個任務是上傳持久化模型。選擇 Upload Files ，導航到存儲模型的位置，然后選擇它。

現在，您可以使用 Google Cloud 中的各種服務來訪問此文件。要訪問云存儲，必須從google.cloud導入storage對象。

下面的代碼示例顯示了如何從 Google 云存儲中訪問模型。您也可以在 gcp-deployment-example/cloud_functions/main.py 中看到完整的示例。

import joblib
import numpy as np
from flask import request
from google.cloud import storage

storage_client = storage.Client()
bucket = storage_client.get_bucket("model-iris-data") # remember to change the bucket name
blob = bucket.blob("logistic_regression_v1.pkl")
blob.download_to_filename("/tmp/logistic_regression_v1.pkl")
model = joblib.load("/tmp/logistic_regression_v1.pkl")

def predict(request):
    data_json = request.get_json()
  
    sepal_length_cm = data_json["sepal_length_cm"]
    sepal_width_cm = data_json["sepal_width_cm"]
    petal_length_cm = data_json["petal_length_cm"]
    petal_width_cm = data_json["petal_width_cm"]

    data = np.array([[sepal_length_cm, sepal_width_cm, petal_length_cm, petal_width_cm]])
    predictions = model.predict(data)
  
    return str(predictions)

在 Google Cloud 控制臺的切換菜單上，選擇 Cloud Functions 。要查看菜單，您可能必須選擇 View all products 并展開 Serverless 類別。

接下來，選擇 Create Function 。如果這是您第一次創建云函數，則要求您啟用 API 。選擇 Enable 繼續。

還要求您進行以下配置設置：

函數名稱= Predict 。

Trigger type = HTTP 。

Allow unauthenticated invocations =已啟用。

在運行時、構建、連接和安全設置部分中還有其他配置，但對于本示例，默認值是可以的，因此選擇 Next 。

在下一頁中，要求您設置運行時并定義源代碼的來源。在 Runtime 部分，選擇您正在使用的 Python 版本。我使用的是 Python 3.8 。確保在源代碼頭中選擇了 Inline Editor 。

復制并粘貼云函數用作main.py文件入口點的以下代碼示例。

{
  "sepal_length_cm" : 5.1,
  "sepal_width_cm" : 3.5,
  "petal_length_cm" : 1.4,
  "petal_width_cm" : 0.2
} 

使用內聯編輯器更新 requirements.txt ：

flask >= 2.2.2, <2.3.0
numpy >= 1.23.3, <1.24.0
scitkit-learn >=1.1.2, <1.2.0
google-cloud-storage >=2.5.0, <2.6.0

確保將 Entry point 值更改為端點的名稱。在這種情況下，它是predict。

完成所有更改后，選擇 Deploy 。部署可能需要幾分鐘的時間來安裝依賴項并啟動應用程序。完成后，您會看到成功部署的模型的函數名稱旁邊有一個綠色的勾號圖標。

現在，您可以在 Testing 選項卡上測試應用程序是否正常工作。使用以下示例代碼進行測試：

{
  "sepal_length_cm" : 5.1,
  "sepal_width_cm" : 3.5,
  "petal_length_cm" : 1.4,
  "petal_width_cm" : 0.2
} 

如果您使用與前面相同的輸入，則會得到相同的響應。

現在，您已經學會了使用 GoogleCloudFunctions 部署 ML 模型。使用此部署，您不必擔心服務器管理。您的云功能僅在收到請求時執行，并且 Google 管理服務器。

在 Google AI 云上部署 ML 模型

之前的兩個部署要求您編寫不同程度的代碼。在谷歌人工智能云上，你可以提供經過訓練的模型，他們為你管理一切。

在云控制臺上，從切換菜單導航到 AI Platform 。在 Models 選項卡上，選擇 Create Model 。

您可能會注意到一條警告消息，通知您 Vertex AI ，這是另一個將 AutoML 和 AI 平臺結合在一起的托管 AI 服務。這一討論超出了本文的范圍。

在下一個屏幕上，系統會提示您選擇一個區域。選擇區域后，選擇 Create Model 。為模型命名，相應地調整區域，然后選擇 Create 。

轉到創建模型的區域，您應該可以看到模型。選擇型號并選擇 Create a Version 。

接下來，您必須將模型鏈接到云存儲中存儲的模型。本節有幾個重要事項需要注意：

AI 平臺上scikit-learn的最新模型框架版本是 1.0.1 版，因此您必須使用此版本來構建模型。

模型必須存儲為model.pkl或model.joblib。

為了遵守 GCP AI 平臺的要求，我使用所需的模型版本創建了一個新的腳本，將模型序列化為model.pkl，并將其上傳到谷歌云存儲。有關更多信息，請參閱 /kurtispykes/gcp-deployment-example GitHub repo 中的更新代碼。

Model name: logistic_regression_model

選中 Use regional endpoint 復選框。

Region: 歐洲西部 2

在 models 部分，確保僅選擇 europe-west2 區域。

為要創建的模型版本選擇 Save 。創建模型版本可能需要幾分鐘的時間。

通過選擇模型版本并導航到 Test & Use 標題來測試模型。輸入輸入數據并選擇 Test 。