内容简介：近日在某论坛，有网友提问道：搞机器学习是不是要博士或是硕士学历，是不是要求很高，顶会论文？本科生或者更低学历的，是不是就没有机会了？从最近公司的招聘来看，算法工程师的 bar 确实有在提高。但在某些事业部，仍需要很大的人力来做落地场景。每个人都要找准自己的定位，公司也有它的部门定位。如果是发论文、要在学术界站稳脚跟，给投资人“我们很重视最新技术”的信心，那博士确实很重要。另一个角度，从实用角度来说，研究生和本科生可能性价比更高。当然，作为一个小本就工作的人，没有较为丰富的实战经验，有机会的话，还是拿到硕士及
近日在某论坛，有网友提问道：搞机器学习是不是要博士或是硕士学历，是不是要求很高，顶会论文？本科生或者更低学历的，是不是就没有机会了？从最近公司的招聘来看，算法工程师的 bar 确实有在提高。但在某些事业部，仍需要很大的人力来做落地场景。每个人都要找准自己的定位，公司也有它的部门定位。如果是发论文、要在学术界站稳脚跟，给投资人“我们很重视最新技术”的信心，那博士确实很重要。另一个角度，从实用角度来说，研究生和本科生可能性价比更高。当然，作为一个小本就工作的人，没有较为丰富的实战经验，有机会的话，还是拿到硕士及更高学历比较好。这里的实战经验就比如：搭建一个完整的、涉及算法模型、后端及前端的系统。
模型算法的实用主义
机器学习的实用主义，不是在论文多少，而是用正确的方法去解决正确的问题。而作为背后的工程师，除了调参、除了写 sql，做调包侠、做 sql boy、报表 boy 以外，在之前的文章也提到过，要学会做正确的展示，做全套的工程化实施。毕竟，等排期很难受；有些情况前后端资源不够，或者优先级很低，那就需要自己动手了。以下以上面的垃圾邮件分类为例子，说明该如何搭建一个前后端完整的机器学习系统。
关注微信公众号：谷粒先生，下载权重文件并第一时间获取更新。
这里将本次的任务拆解，分为三个部分来讲。后端 flask、前端 Vue、ML 模型采用 flair，项目地址 kuhung/flask_vue_ML
后端 flask
相关依赖的安装
pip install -r requirements.txt
核心函数
- 导入函数包
from flask import Flask, jsonify, request from flask_cors import CORS # 做跨域的准备 from flask import session # 追踪客户端会话 from flair.models import TextClassifier # 模型导入，采用前不久开源的 flair 做文本分类 from flair.data import Sentence 复制代码
- 准备工作
app = Flask(__name__) # 声明准备
app.secret_key = "super_secret_key"
CORS(app)
classifier = TextClassifier.load_from_file('models/best-model.pt') # 模型加载
复制代码
- 配置 flask 的路由
# 根路由配置
@app.route('/', methods=['GET'])
def index():
return jsonify("welcome to Kuhung API")
# GET 方法，这里 session 的作用是追踪客户端会话，防止重复请求模型
@app.route('/api/tasks', methods=['GET'])
def get_result():
result = []
try:
data_result = session['my_result']
result.append ({'title': data_result['title'], 'tag': data_result['tag'] })
except:
result.append ({'title': 'The txt you input', 'tag': 'spam or ham' })
return jsonify(result)
# POST 方法
@app.route('/api/task', methods=['POST'])
def input_predict_text():
title = request.get_json()['title'] # 解析请求
sentence = Sentence(title) # 对请求做数据预处理
classifier.predict(sentence) # 调用模型，做预测，返回带标签的数据
text = sentence.to_plain_string() # 解析出原始数据
label = sentence.labels[0] # 解析出标签
result = {'title' : text, 'tag' : label.value} # 拼接成字典格式
session['my_result'] = result # 存入 session ，以减少重复请求对模型的压力
return jsonify(result) # 返回 json 格式的数据
if __name__ == '__main__':
app.run(debug=True) # 开发过程中开启 debug 调试模式
复制代码
启动服务
python app.py
前端 vue
前端采用 Vue 框架，与后端分离。使用 Webpack 进行资源管理与打包。
相关依赖的安装
npm install -g vue-cli npm install 复制代码
自定义组件
通过 vue init webpack flask_vue_ML 后，进入项目文件夹，增加自定义内容。
index.html
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width,initial-scale=1.0">
<title>exposemodel</title>
</head>
<body>
<div id="app"></div>
<!-- 其它文件会自动注入这里 -->
</body>
</html>
复制代码
src 文件夹
- components
- Home.vue // 自定义组件，增加
- router
- index.js // 路由，修改
- App.vue // 主组件，修改
- main.js // 入口文件，修改
Home.vue
这里定义页面的基本样式，以及获取数据的逻辑。
<template>
<div id="todo-list-example" class="container">
<!-- 我是进度条，最上方的 -->
<vue-progress-bar></vue-progress-bar>
<div class="row">
<div class="col-md-6 mx-auto">
<h1 class="text-center">Natural Language Processing (NLP)</h1>
<form v-on:submit.prevent="addNewTask">
<label for="tasknameinput">Spam Classification</label>
<input v-model="taskname" type="text" id="tasknameinput" class="form-control" placeholder="Enter Sentence">
<button type="submit" class="btn btn-success btn-block mt-3">
Submit
</button>
</form>
<!-- 省略表格定义内容 -->
<script>
// 这里解决跨域请求问题，向后端发起请求
import axios from 'axios'
export default {
data () {
return {
textClassify: [],
id: '',
taskname: '',
isEdit: false
}
},
mounted () {
this.getTasks()
},
// 省略进度条内容
// 请求任务相关操作
getTasks () {
axios({ method: 'GET', url: '/api/tasks' }).then(
result => {
console.log(result.data)
this.textClassify = result.data
},
error => {
console.error(error)
}
)
},
</script>
```
复制代码
index.js
定义路由，设定访问路径，并将路径和组件关联
import Vue from 'vue'
import Router from 'vue-router'
import Home from '@/components/Home'
Vue.use(Router)
export default new Router({
routes: [
{
path: '/',
name: 'Home',
component: Home
}
]
})
复制代码
App.vue
主组件
<template>
<div id="app">
<router-view/>
<!-- 植入一波广告：微信搜索：谷粒先生，关注我的公众号 -->
<img src="./assets/wechat.jpg">
</div>
</template>
<script>
export default {
name: 'App'
}
</script>
<style>
#app {
font-family: 'Avenir', Helvetica, Arial, sans-serif;
-webkit-font-smoothing: antialiased;
-moz-osx-font-smoothing: grayscale;
text-align: center;
color: #2c3e50;
margin-top: 60px;
}
</style>
复制代码
main.js
初始化实例并加载必要插件
// The Vue build version to load with the `import` command
// (runtime-only or standalone) has been set in webpack.base.conf with an alias.
import Vue from 'vue'
import App from './App'
import router from './router'
import VueProgressBar from 'vue-progressbar'
require('../node_modules/bootstrap/dist/css/bootstrap.css')
Vue.config.productionTip = false
// 这是进度条
Vue.use(VueProgressBar, {
color: 'rgb(143, 255, 199)',
failedColor: 'red',
height: '10px'
})
/* eslint-disable no-new */
new Vue({
el: '#app',
router,
components: { App },
template: '<App/>'
})
复制代码
启动服务
npm run dev
模型 flair
模型这里采用 fair 框架，该框架在 2018 年底发布，易用性和效果都较前方案有了较大提升。这里直接采用官方样例训练好的垃圾邮件分类模型的权重，也就是在上文后端所读取的文件。关注我的公众号：谷粒先生，回复 权重 ，即可获得权重文件:link:链接。
模型调用
from flair.models import TextClassifier # 模型导入，采用前不久开源的 flair 做文本分类
from flair.data import Sentence
classifier = TextClassifier.load_from_file('models/best-model.pt') # 模型加载
sentence = Sentence(title) # 对请求做数据预处理
classifier.predict(sentence) # 调用模型，做预测，返回带标签的数据
复制代码
效果展示
本教程针对文本分类这个场景，构建了一套前后端分离的“完整”框架，能够给到一个最直观的感受。当然，这里还有很多优化空间，还有后续部署等事宜没有详细展开，有心的同学可以自行检索学习。通过这套流程，可以在测试服搭建一套实用主义哲学的算法模型。给到领导做展示或是公司内部使用，已经足够。项目地址 kuhung/flask_vue_ML
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- 如何打通CMDB，实现就近访问
- 亿级“附近的人”，打通“特殊服务”通道
- 5分钟打通rollup.js副本
- 打通多个视觉任务的全能Backbone:HRNet
- 打通Laravel和Yii2任督二脉
- Java笔记——看完这个，打通Spring难度系数
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
