开工第一天，小伙伴们是不是还没有从过年的状态转换过来？今天给大家介绍一个AI Studio新功能，能让大家用自己训练好的模型，轻松生成在线预测服务，通过在线API调用，而且是免费的哦~
大家是不是已经跃跃欲试了呢？那就快到AI Studio亲自体验一下吧。希望这个开年小“福利”，能帮助大家尽快找到开工的感觉。
经常登录AI Studio的朋友可能早就发现——AI Studio改版了：
这次升级，AI Studio不光调整了前端页面，还增加了不少新功能，其中就包含我们今天要说的在线部署及预测功能。
功能说明
在线部署与预测为开发者提供训练模型向应用化API转换的功能. 开发者在AI Studio平台通过单机项目NoteBook页面完成模型训练后, 通过创建一个在线服务, 应用模型生成在线API, 使用该API可以直接检验模型效果或实际应用到开发者的私有项目中.目前, 该功能暂时仅对单机项目开放。
通过训练任务生成模型文件
- 在训练任务过程中, 通过调用paddle.fluid.io.save_inference_model`实现模型的保存，保存后的目录需要可以被在线服务使用. 我们以房价预测的线性回归任务为例, 具体代码如下
import paddleimport paddle.fluid as fluidimport numpyimport mathimport sys
from __future__ import print_functionBATCH_SIZE = 20train_reader = paddle.batch(
paddle.reader.shuffle(
paddle.dataset.uci_housing.train(), buf_size=500),
batch_size=BATCH_SIZE)test_reader = paddle.batch(
paddle.reader.shuffle(
paddle.dataset.uci_housing.test(), buf_size=500),
batch_size=BATCH_SIZE)params_dirname = "model2"x = fluid.layers.data(name='x', shape=[13], dtype='float32')y = fluid.layers.data(name='y', shape=[1], dtype='float32')y_predict = fluid.layers.fc(input=x, size=1, act=None)main_program = fluid.default_main_program()startup_program = fluid.default_startup_program()cost = fluid.layers.square_error_cost(input=y_predict, label=y)avg_loss = fluid.layers.mean(cost)sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)sgd_optimizer.minimize(avg_loss)#clone a test_programtest_program = main_program.clone(for_test=True)use_cuda = Falseplace = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()exe = fluid.Executor(place)num_epochs = 100# For training test costdef train_test(executor, program, reader, feeder, fetch_list): accumulated = 1 * [0] count = 0
for data_test in reader(): outs = executor.run(program=program,
feed=feeder.feed(data_test),
fetch_list=fetch_list)
accumulated = [x_c[0] x_c[1][0] for x_c in zip(accumulated, outs)]
count = 1
return [x_d / count for x_d in accumulated]params_dirname = "fit_a_line.inference.model"feeder = fluid.DataFeeder(place=place, feed_list=[x, y])naive_exe = fluid.Executor(place)
naive_exe.run(startup_program)step = 0exe_test = fluid.Executor(place)# main train loop.for pass_id in range(num_epochs):
for data_train in train_reader():
avg_loss_value, = exe.run(main_program, feed=feeder.feed(data_train),
fetch_list=[avg_loss])
if step % 10 == 0: # record a train cost every 10 batches
print (step, avg_loss_value[0]) if step % 100 == 0: # record a test cost every 100 batches
test_metics = train_test(executor=exe_test,
program=test_program,
reader=test_reader,
fetch_list=[avg_loss.name],
feeder=feeder)
print (step, test_metics[0]) # If the accuracy is good enough, we can stop the training.
if test_metics[0] < 10.0:
break
step = 1
if math.isnan(float(avg_loss_value[0])):
sys.exit("got NaN loss, training failed.") if params_dirname is not None: # We can save the trained parameters for the inferences later
fluid.io.save_inference_model(params_dirname, ['x'],
[y_predict], exe)- 使用已有模型, 可以通过
!wget在Notebook中传输模型文件到环境目录。以房价预测的线性回归模型为例, 通过!wget https://ai.baidu.com/file/4E1D1FCC670E4A5E8441634201658107 -O fit_a_line.inference.model传输文件, 解压后直接被在线服务使用.
创建一个在线服务
完成模型训练后, 在单机项目页面点击【创建预测服务】
第一步 选择模型文件
- 勾选模型文件
- 设置主程序, 主程序为
paddle.fluid.io.save_inference_model中参数main_program配置的程序, 在房价预测的示例中，我们使用默认参数调用save_inference_model, 因此将__model__文件设置为主程序.
第二步 确认输入输出
填写模型的输入输出参数. 以房价预测的线性回归模型为例(参数参考), 添加参数如下图所示.
第三步 制作参数转换器
参数转换器帮助用户转化合法输入并完成数据预处理.
- 方式一:自定义转换器(Python2.7)(推荐).
输入参数转换器方法
代码语言：javascript复制def reader_infer(data_args):
"""
reader_infer 输入参数转换器方法
:param data_args: 接口传入的数据，以k-v形式
:return [[]], feeder
"""
#构造内容
pass输出参数转换器方法
代码语言：javascript复制def output(results, data_args):
"""
output 输出参数转换器方法
:param results 模型预测结果
:param data_args: 接口传入的数据，以k-v形式
:return array 需要能被json_encode的数据格式
"""
#构造内容
pass
转换器代码示例, 以房价预测为例.
输入参数转换器:
代码语言：javascript复制import osimport sys
sys.path.append("..")from PIL import Imageimport numpy as npimport paddle.fluid as fluidfrom home.utility import base64_to_imagedef reader_infer(data_args):
"""
reader_infer 输入参数转换器方法
:param data_args: 接口传入的数据，以k-v形式
:return [[]], feeder
"""
def reader():
"""
reader
:return:
"""
x = fluid.layers.data(name='x', shape=[13], dtype='float32') # y = fluid.layers.data(name='y', shape=[1], dtype='float32')
feeder = fluid.DataFeeder(place=fluid.CPUPlace(), feed_list=[x])
CRIM = float(data_args["CRIM"])
ZN = float(data_args["ZN"])
INDUS = float(data_args["INDUS"])
CHAS = float(data_args["CHAS"])
NOX = float(data_args["NOX"])
RM = float(data_args["RM"])
AGE = float(data_args["AGE"])
DIS = float(data_args["DIS"])
RAD = float(data_args["RAD"])
TAX = float(data_args["TAX"])
PTRATIO = float(data_args["PTRATIO"])
B = float(data_args["B"])
LSTAT = float(data_args["LSTAT"]) return [[[CRIM, ZN, INDUS, CHAS, NOX, RM, AGE, DIS, RAD, TAX, PTRATIO, B, LSTAT]]], feeder return reader输出参数转换器:
代码语言：javascript复制def output(results, data_args):
"""
output 输出参数转换器方法
:param results 模型预测结果
:param data_args: 接口传入的数据，以k-v形式
:return array 需要能被json_encode的数据格式
"""
lines = [] for dt in results:
y = dt.tolist()
lines.append({"predict": y}) return lines- 方式二: 默认参数, 不设置转换器. 用户的API参数直接传递给模型.
第四步 沙盒部署
用户可以同时部署之多五个沙盒服务, 用来对比模型优化结果.
录入名称点击【生成沙盒】或者点击【暂存】将沙盒保存到草稿箱.
测试沙盒服务
对沙盒列表中的沙盒服务进行测试，验证是否配置正确。
第一步 点击【测试】打开测试页面
第二步 填写json格式请求参数
第三步 点击【发送】检验返回结果
部署在线服务
点击【正式部署】部署线上API.
- 一个项目可以创建五个沙盒服务, 并选择其中一个沙盒服务部署为线上服务.
- 沙盒服务如果连续超过24小时无调用将自动调整为暂停状态.
- 线上服务如果连续超过14天无调用将自动调整为暂停状态.
调用在线服务
依据API key、服务地址和用户自定义参数, 实现对服务的调用.
请求方式
- HTTP请求URL: [服务地址] [?] [apiKey=xxx]
- HTTP请求方法: POST
- HTTP Body: 用户自定义参数
调用示例
以房价预测项目为例.
- CURL
curl -H "Content-Type: application/json" -X POST -d '{"CRIM":0.01887747, "ZN":-0.11363636, "INDUS":0.25525005, "CHAS":-0.06916996, "NOX":0.29898136, "RM": -0.04476612, "AGE": 0.14340987, "DIS":-0.14797285, "RAD":0.62828665, "TAX":0.49191383, "PTRATIO":0.18558153, "B":0.05473289, "LSTAT":0.16851371}' "https://aistudio.baidu.com/serving/online/xxx?apiKey=xxxxxxxxxx"
- Python
import jsonimport tracebackimport urllibimport urllib2
formdata = { "CRIM":0.01887747,
"ZN":-0.11363636,
"INDUS":0.25525005,
"CHAS":-0.06916996,
"NOX":0.29898136,
"RM": -0.04476612,
"AGE": 0.14340987,
"DIS":-0.14797285,
"RAD":0.62828665,
"TAX":0.49191383,
"PTRATIO":0.18558153,
"B":0.05473289,
"LSTAT":0.16851371}
header = {"Content-Type": "application/json; charset=utf-8"}
url = "https://aistudio.baidu.com/serving/online/xxx?apiKey=a280cf48-6d0c-4baf-bd39xxxxxxcxxxxx"data = json.dumps(formdata)try:
request = urllib2.Request(url, data, header)
response = urllib2.urlopen(request)
response_str = response.read()
response.close() print(response_str)
except urllib2.HTTPError as e: print("The server couldn't fulfill the request") print(e.code) print(e.read())
except urllib2.URLError as e: print("Failed to reach the server") print(e.reason)
except:
traceback.print_exc()
以上，就是今天要给大家介绍的，在线部署及预测功能，大家都来试试吧~！
更多说明可见： http://ai.baidu.com/docs#/AIStudio_Project_Forecast/c70c8a94 或点击 阅读原文
