本文共 2205 字，大约阅读时间需要 7 分钟。

部署流程

Flask是一种轻量级的Python Web开发框架，适合用于轻量级服务器部署Python应用。对于机器学习模型的部署，主要需要进行序列化和反序列化操作。本文将详细介绍流程。

结构部署

Flask框架通过标准化部署流程，可以快速构建并运行机器学习模型。主要步骤包括模型保存、加载与应用集成。具体实现过程如下：

序列化与反序列化是关键环节。序列化将训练好的模型转化为可存储的二进制文件格式（如.pkl），可通过pickle模块实现。反序列化则是将存储的文件重新加载为模型实例，准备用于在线预测服务。

实现流程

以下是实际操作步骤：

示例应用

以下为一个与房价预测相关的完整案例：

数据集准备

训练数据集命名为house_price.csv，包含以下字段：

模型训练

编写TrainingModel.py脚本，如下：

import pandas as pd
from sklearn.linear_model import LinearRegression
import pickle
def get_data(file_name):
    data = pd.read_csv(file_name)
    X_parameter = []
    Y_parameter = []
    for square_feet, price in zip(data['square_feet'], data['price']):
        X_parameter.append(float(square_feet))
        Y_parameter.append(float(price))
    return X_parameter, Y_parameter
def linear_model(X_parameter, Y_parameter):
    model = LinearRegression()
    model.fit(X_parameter, Y_parameter)
    pickle.dump(model, open('model.pkl', 'wb'))
    return model
if __name__ == '__main__':
    model = get_data('./house_price.csv')
    print('模型训练完成')

创建Web界面

开发页面HTML文件，如index.html：

    
   
    
    
房价预测系统
    
   
        
    
        
    
    
   
    
   

服务器端应用

编写 Flask 应用程序，实现模型预测：

from flask import Flask, request, jsonify, render_template
import numpy as np
import pickle
app = Flask(__name__)
model = pickle.load(open('model.pkl', 'rb'))
@app.route('/')
def home():
    return render_template('index.html')
@app.route('/predict', methods=['POST'])
def predict():
    housesize = request.form.get('housesize', 0)
    model_pred = int(housesize)
    result = model.predict([[model_pred]])
    result = round(result[0][0], 2)
    return jsonify({'result': float(result)})

使用命令运行服务器：

flask run --host=0.0.0.0 --port=80

测试访问

打开浏览器，访问 http://localhost/predict，输入需要预测的房屋面积值并点击预测按钮，系统将返回预测结果。

完整代码下载

如需完整代码可通过以下路径下载：

参考资料