1 기계학습 모형 배포 개요

기계학습 모형 배포는 서버 구축, 파이썬의 경우 flask 프레임워크(framework) 설치, 기계학습 모형개발, 개발된 기계학습 모형 배포 순으로 작업이 진행된다.

먼저 DigitalOcean 웹사이트에 가상 컴퓨터를 하나 생성시키고 나서, flask 프레임워크를 설치하고 개발된 머신러닝 모형을 pickle에 담아 배포한다.

2 flask 프레임워크 ^{1 2}

1. virtualenv 명령어를 사용해서 flask프레임워크를 올릴 가상환경을 생성시키고 활성화한다.
   • $ virtualenv -p python3 flaskapp
   • $ source flaskapp/bin/activate
2. flask 프레임워크 의존성을 설치한다.
   • pip install wheel
   • pip install flask
   • pip install uwsgi
   • pip freeze > requirements.txt
     • requirements.txt 파일에 연관된 라이브러리를 정리해 둔다.
3. 앱개발 - 헬로월드
   • nano flaskapp.py 명령어로 웹앱을 작성한다.

# flaskapp.py

from flask import Flask
app = Flask(__name__)

@app.route("/")
def index():
    return "<h1>헬로 Flask!!!</h1>"

if __name__ == "__main__":
    app.run(host='0.0.0.0')

4. 앱실행
   • $ python flaskapp.py 명령어를 실행시키고, 웹브라우저 상단에 http://0.0.0.0:5000/을 넣게 되면 아주 간단하지만 큰 의미를 갖는 헬로월드 앱을 만들게 된 것이다.

(flaskapp) xxxxxxxx@MacBook:~/swc/nlp$ python flaskapp.py 
 * Serving Flask app "flaskapp" (lazy loading)
 * Environment: production
   WARNING: This is a development server. Do not use it in a production deployment.
   Use a production WSGI server instead.
 * Debug mode: off
 * Running on http://0.0.0.0:5000/ (Press CTRL+C to quit)

3 기계학습 모형 배포 ⁴

기계학습 모형 배포는 기계학습 모형을 pickle에 담아 salary_model 객체를 salary_model.pkl에 담아 넣는 과정부터 시작된다. 이를 flask 프레임워크에서 불러 쓸 수 있도록 가져온다. pickle.load(open('model/salary_model.pkl','rb')) 명령어를 사용해서 서버에 올려서 예측모형의 경우 X 값을 받아 y를 반환시키는 것이라 X를 request.py 파일에 POST 형식으로 받아 이를 예측모형에 넣어 연봉 예측값을 반환하게 된다.

연봉 데이터를 바탕으로 근무연한에 따라 연봉을 예측하는 회귀분석 모형을 개발한다. 회귀분석 모형을 model.py로 작성하고 예측모형을 담은 피클 파일을 model/salary_model.pkl 디렉토리에 피클 파일로 저장시켜둔다.

flaskapp/
├── data
│   └── salary.csv
├── model
│   └── salary_model.pkl
├── model.py
├── request.py
└── server.py

## model.py
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import pickle
import requests
import json

dataset = pd.read_csv('data/Salary_Data.csv')
X = dataset.iloc[:, :-1].values
y = dataset.iloc[:, 1].values

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.33, random_state = 777)

salary_model = LinearRegression()
salary_model.fit(X_train, y_train)

y_pred = salary_model.predict(X_test)

pickle.dump(salary_model, open('model/salary_model.pkl','wb'))

# server.py

import numpy as np
from flask import Flask, request, jsonify
import pickle

app = Flask(__name__)
model = pickle.load(open('model/salary_model.pkl','rb'))

@app.route('/api',methods=['POST'])
def predict():
    data = request.get_json(force=True)
    prediction = model.predict([[np.array(data['exp'])]])
    output = prediction[0]
    return jsonify(output)

if __name__ == '__main__':
    app.run(port=5000, debug=True)    

(flaskapp) xxxxxxx@MacBook:/flaskapp$ python request.py
43002.38816217249

# request.py

import requests
url = 'http://localhost:5000/api'
r = requests.post(url, json={'exp':1.8,})
print(r.json())

xxxxxx@MacBook:~/nlp$ curl -i -X POST http://localhost:5000/api -d '{"exp":1.8}'
HTTP/1.0 200 OK
Content-Type: application/json
Content-Length: 18
Server: Werkzeug/0.15.4 Python/3.6.5
Date: Wed, 05 Jun 2019 07:08:05 GMT

43002.38816217249