패스트캠퍼스 챌린지 23일차

1. Flask 에서 사용할 모델 학습 및 저장
2. Flask 는 사용하기 쉽고, 간단한 기능을 가볍게 구현하기에 적합하기 때문에 대부분의 ML Model 의 첫 배포 Step 으로 자주 사용하는 Framework 중 하나입니다.
3. 이번 에는 iris data 를 사용한 간단한 classification model 을 학습한 뒤, 모델을 pickle 파일로 저장하고, Flask 를 사용해 해당파일을 load 하여 predict 함수를 호출하여 http api 로 서빙하도록 플라스크 server 를 구현할 것입니다.
4. 그 이후, 해당 server 를 run 하여 직접 http request 를 요청하여 정상적으로 response 가 반환되는지 확인할 것입니다.
5. Sample code

Sample python code r
equirements scikit-learn==1.0
소스코드

#전형적인 사이킷 런을 활용한 분류 모델
import os
import pickle
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report
from sklearn.model_selection import train_test_split
RANDOM_SEED = 1234# seed를 정해놓고
# STEP 1) data load 
data = load_iris()
# STEP 2) data split # x,y 로 데이터를 나눈다
X = data['data']
y = data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,
random_state=RANDOM_SEED) # train과 테스트를 7:3 비율로 나눈다

# STEP 3) train model
model = RandomForestClassifier(n_estimators=300, random_state=RANDOM_SEED)#RandomForestClassifier의 어느 정도 정해진 하이퍼 파라미터를 설정한 후에
model.fit(X_train, y_train)# train 데이터에대해서 학습을 한다.
# STEP 4) evaluate model
print(f"Accuracy : {accuracy_score(y_test, model.predict(X_test))}")
print(classification_report(y_test, model.predict(X_test)))

# STEP 5) save model to ./build/model.pkl경로에 학습된 모델을 pickle.dump로 모델을 저장하는 방식
os.makedirs("./build", exist_ok=True)
pickle.dump(model, open('./build/model.pkl', 'wb'))

1. 모델 학습 및 저장 위의 python code 를 복사한 후, 실행시킵니다.

cd flask-tutorial
# 파이썬 버전을 확인합니다.
python -V
# requirements 를 설치합니다.
pip install scikit-learn==1.0
# 위의 코드를 복사 후 붙여넣습니다.
vi train.py
# 위의 코드를 실행시킵니다.
python train.py

다음과 같은 메시지가 출력되는 것을 확인합니다.

Accuracy : 0.9555555555555556
precision recall f1-score support
0 1.00 1.00 1.00 16
1 0.94 0.94 0.94 17
2 0.92 0.92 0.92 12
accuracy 0.96 45
macro avg 0.95 0.95 0.95 45
weighted avg 0.96 0.96 0.96 45

build 디렉토리 내부에 model.pkl 파일이 생성되는 것을 확인합니다.

cd build
ls
# model.pkl 파일 존재

model.pkl 파일 존재
Flask server 구현
학습이 완료된 모델 파일을 불러와서,loda해서 POST/predict라는 주소로 Flask Server 를 구현한다.
1.에서 학습 후 저장했던 모델(pickle 파일)을 load 하여, POST /predict API 를 제공하는 Flask Server 를 구현합니다.
파이썬 버전을 확인합니다.
python -V
requirements 를 설치합니다.
pip install scikit-learn==1.0
복사 후 붙여넣습니다.
vi flask_server.py

import pickle
import numpy as np
from flask import Flask, jsonify, request
# 지난 시간에 학습한 모델 파일을 불러옵니다.#./build/model.pkl경로의 pickle파일을 오픈하고 오픈된 모델을 변수에 지정
model = pickle.load(open('./build/model.pkl', 'rb'))
# Flask Server 를 구현합니다.
app = Flask(__name__)
# POST /predict 라는 API 를 열어둔다
@app.route('/predict', methods=['POST'])
#API로 요청이 가면 make_predict() 실행
def make_predict():
# API Request Body 를 python dictionary object 로 변환합니다.
request_body = request.get_json(force=True)
# request body 를 model 의 형식에 맞게 변환,정리합니다. 정교하게 하면 각각 key가 있는지 value가 null이 아닌지 확인하는 부분이 있으면 좋다
X_test = [request_body['sepal_length'], request_body['sepal_width'],
request_body['petal_length'], request_body['petal_width']]
X_test = np.array(X_test)
X_test = X_test.reshape(1, -1) #모델에 태울 수 있도록 변환
# model 의 predict 함수를 호출하여, prediction 값을 구합니다.
y_test = model.predict(X_test)#앞에서 model변수 선언했던 부분을 loda하기 전에 코드에서 사용할 수 있었던 것과 동일하게 .predict호출하면 prediction 값 변수에 저장
# prediction 값을 json 화합니다.
response_body = jsonify(result=y_test.tolist())
# predict 결과를 담아 API Response Body 를 return 합니다.
return response_body
if __name__ == '__main__':
app.run(port=5000, debug=True)

API 테스트 위의 Flask server 를 run 합니다.
python flask_server.py
다음과 같은 메시지가 출력되면 정상적으로 Flask server 가 동작하는 것을 의미합니다.

FLASK_APP = flask_server.py
FLASK_ENV = development
FLASK_DEBUG = 0
In folder /fast-campus-demo/flask-tutorial
/.pyenv/versions/flask-tutorial/bin/python -m flask run
* Serving Flask app 'flask_server.py' (lazy loading)
* Environment: development
* Debug mode: off
* Running on <http://127.0.0.1:5000/> (Press CTRL+C to quit)

http://127.0.0.1:5000/ 가 flask server 의 주소를 의미합니다.
해당 Flask server 에 POST /predict API 를 요청하여, 어떤 결과가 반환되는지 확인합니다.

curl -X POST -H "Content-Type:application/json" --data '{"sepal_length": 5.9, "sepal_width": 3.0, "petal_length": 5.1, "petal_width":
#POST의 메소드를 활요하고 헤더로는 "Content-Type:application/json" 일반적인 웹프레임워크에서 사용하는 컨텐츠타임. 다음은 request_body를 채우는 부분
# {"result":[2]}
# 0, 1, 2 중의 하나의 type 으로 classification 하게 됩니다.

#직장인인강 #직장인자기계발 #패스트캠퍼스후기#온라인패키지:머신러닝서비스구축을위한실전MLOps#머신러닝서비스구축을위한실전MLOps온라인패키지Online.
https://bit.ly/37BpXiC

패스트캠퍼스 [직장인 실무교육]

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성되었습니다.