學習ML.NET(2): 使用模型進行預測
摘要：
訓練模型
在上一篇文章中，我們已經通過LearningPipeline訓練好了一個“
鳶尾花瓣預測
”模型，
var model = pipeline.Train<IrisData, IrisPrediction>();
現在就可以...
訓練模型
在上一篇文章中，我們已經通過LearningPipeline訓練好了一個“ 鳶尾花瓣預測 ”模型，
var model = pipeline.Train<IrisData, IrisPrediction>();
現在就可以讓模型對一條沒有人工標註結果的資料進行分析，返回一個預測結果。
var prediction = model.Predict(new IrisData()
{
SepalLength = 3.3f,
SepalWidth = 1.6f,
PetalLength = 0.2f,
PetalWidth = 5.1f,
});
Console.WriteLine($"Predicted flower type is: {prediction.PredictedLabels}");
或者一次預測一批資料
var inputs = new[]{
new IrisData()
{
SepalLength = 3.3f,
SepalWidth = 1.6f,
PetalLength = 0.2f,
PetalWidth = 5.1f,
}
,new IrisData()
{
SepalLength = 5.2f,
SepalWidth = 3.5f,
PetalLength = 1.5f,
PetalWidth = 0.2f,
}
};
var predictions = model.Predict(inputs);
儲存模型
但是大多數時候，已經訓練好的模型以後還需要繼續可以使用，因此需要把它持久化，寫入到zip檔案中。
await model.WriteAsync("IrisPredictionModel.zip");
使用模型
一旦建立了機器學習模型，就可以部署它，利用它進行預測。我們可以通過REST API，接受來自客戶端的資料輸入，並返回預測結果。
-
建立API專案
dotnet new webapi -o myApi
-
安裝依賴項
cd myApi dotnet add package Microsoft.ML dotnet restore
-
引用模型
要在API中引用我們前面儲存的模型，只需將IrisPredictionModel.zip複製到API專案目錄中即可。
-
建立資料結構
我們的模型使用資料結構IrisData和IrisPrediction
來定義特徵和預測屬性。因此，當使用我們的模型通過API進行預測時，它也需要引用這些資料結構。因此，我們需要在API專案中定義IrisData和IrisPrediction
。類的內容與上一篇文章中建立模型專案中的內容相同。
using Microsoft.ML.Runtime.Api;
namespace myApi
{
public class IrisData
{
[Column("0")]
public float SepalLength;
[Column("1")]
public float SepalWidth;
[Column("2")]
public float PetalLength;
[Column("3")]
public float PetalWidth;
[Column("4")]
[ColumnName("Label")]
public string Label;
}
}
using Microsoft.ML.Runtime.Api;
namespace myApi
{
public class IrisPrediction
{
[ColumnName("PredictedLabel")]
public string PredictedLabels;
}
}
-
建立Controller
現在，在API專案的Controllers目錄中，建立PredictController類，用於處理來自客戶端的預測請求，它包含一個POST方法
using System;
using System.Collections.Generic;
using System.Linq;
using System.Threading.Tasks;
using Microsoft.AspNetCore.Mvc;
using Microsoft.ML;
namespace myApi.Controllers
{
[Route("api/[controller]")]
[ApiController]
public class PredictController : ControllerBase
{
// POST api/predict
[HttpPost]
public async Task<string> Post([FromBody] IrisData value)
{
var model = await PredictionModel.ReadAsync<IrisData,IrisPrediction>("IrisPredictionModel.zip");
var prediction = model.Predict(value);
return prediction.PredictedLabels;
}
}
}
-
測試API
使用如下命令列執行程式：
dotnet run
然後，使用POSTMAN或其他工具向http://localhost:5000/api/predict
傳送POST請求，請求資料類似：
{
"SepalLength": 3.3,
"SepalWidth": 1.6,
"PetalLength": 0.2,
"PetalWidth": 5.1,
}
如果成功，將會返回"Iris-virginica"。