当前位置：网站首页 > 技术分类 > 正文

【Python机器学习系列】基于Flask来构建API调用机器学习模型服务

ztj100 2025-07-20 00:03 39 浏览 0 评论

这是我的第364篇原创文章。

一、引言

我们知道机器学习的模型大多是使用python或者是R语言来写的，但是使用这些模型的软件工程师可能用的完全不是这些语言（机器学习模型有时只是一个软件中的一小部分，比如聊天机器人、自动邮箱发送系统）。所以针对这个问题可以有下面两种解决办法：

用软件工程师工作的语言来重写整个机器学习代码，但是这消耗时间和精力太多，并且像JavaScript这样的语言又不能提供很好的库来执行机器学习方法，所以这样方法是不可取的。
使用API方法，Web API使跨语言应用程序可以轻松运行。如果前端开发人员需要使用ML模型来创建ML支持的Web应用程序，他们只需要从提供API的位置获取URL端点。

Flask是一个轻量级的Python Web开发框架，它自带了一个轻型服务器，可以部署Python 应用，对外提供api服务。

二、实现过程

2.1 训练保存模型

训练、保存模型，命名training_model.py

import pandas as pd
from sklearn.linear_model import LinearRegression
import pickle

# 从csv文件中读取数据，分别为：X列表和对应的Y列表
def get_data(file_name):
# 1. 用pandas读取csv
    data = pd.read_excel(file_name)
# 2. 构造X列表和Y列表
    X_parameter = []
    Y_parameter = []
for single_square_feet,single_price_value in zip(data['square_feet'],data['price']):
        X_parameter.append([float(single_square_feet)])
        Y_parameter.append(float(single_price_value))
return X_parameter,Y_parameter

# 线性回归分析模型训练、保存
def linear_model(X_parameter, Y_parameter):
#训练模型
    regr = LinearRegression()
    regr.fit(X_parameter, Y_parameter)
#保存模型
    pickle.dump(regr, open('model.pkl','wb'))
    
if __name__ == '__main__':
# 1. 读取数据
    X, Y = get_data('./house_price.xlsx')
# 2. 训练、保存模型
    linear_model(X, Y)
    print("模型保存完成。")

运行程序，会在项目根目录下生成一个pkl模型文件。

2.2 开发web应用

前端：web界面，创建templates目录，目录下创建page.html

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>
<div align="center">
    <h2>使用Flask部署机器学习模型Demo——房价预测</h2>
    <br>
    <form action="{{ url_for('predict')}}" method="post">
        <b>房子英尺数</b><input type="text" name="housesize" required />
        <br>
        <button type="submit">预测房价</button>
    </form>
    <br>
    {{ prediction_display_area }}
</div>

</body>
</html>

后端：基于flask写服务器程序，命名app.py

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

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

@app.route('/')
def home():
return render_template('page.html')

@app.route('/predict', methods=['POST'])
def predict():
    features_list = [float(x) for x in request.form.values()]
    features = np.array(features_list).reshape(1,-1)
    predict_outcome_list = model.predict(features)
    predict_outcome = round(predict_outcome_list[0],2)
return render_template('page.html',prediction_display_area='预测价格为：{}'.format(predict_outcome))

if __name__ == "__main__":
    app.run(port=80,debug = True)

2.3 访问与测试

运行服务器程序：python app.py

浏览器访问http://localhost/或输入ip：127.0.0.1，出现页面：

输入房子英尺数，点击‘预测房价按钮’，展示出预测价格：

完整的项目目录结构：

作者简介：读研期间发表6篇SCI数据算法相关论文，目前在某研究院从事数据算法相关研究工作，结合自身科研实践经历持续分享关于Python、数据分析、特征工程、机器学习、深度学习、人工智能系列基础知识与案例。关注gzh：数据杂坛，获取数据和源码学习更多内容。

原文链接：

【Python机器学习系列】基于Flask来构建API调用机器学习模型服务（案例+源码）

pkl文件

上一篇：不会用mmdet工具?速看MMDetection工具的终极指南
下一篇：Python解决读取excel数据慢的问题

【Python机器学习系列】基于Flask来构建API调用机器学习模型服务

一、引言

二、实现过程

2.1 训练保存模型

2.2 开发web应用

2.3 访问与测试

相关推荐

取消回复欢迎你发表评论:

MySQL中这14个小玩意，让人眼前一亮!

旗舰机新标杆 OPPO Find X2系列正式发布售价5499元起

面试官:使用int类型做加减操作，是线程安全吗

C++编程知识:ToString()字符串转换你用正确了吗?

【Spring Boot】WebSocket 的 6 种集成方式

PyTorch 深度学习实战(26):多目标强化学习Multi-Objective RL

pytorch中的 scatter_()函数使用和详解

与 Java 17 相比，Java 21 究竟有多快?

基于TensorRT_LLM的大模型推理加速与OpenAI兼容服务优化

这一次，彻底搞懂Java并发包中的Atomic原子类

【Python机器学习系列】基于Flask来构建API调用机器学习模型服务

一、引言

二、实现过程

2.1 训练保存模型

2.2 开发web应用

2.3 访问与测试

相关推荐

取消回复欢迎 你 发表评论:

MySQL中这14个小玩意，让人眼前一亮!

旗舰机新标杆 OPPO Find X2系列正式发布 售价5499元起

面试官:使用int类型做加减操作，是线程安全吗

C++编程知识:ToString()字符串转换你用正确了吗?

【Spring Boot】WebSocket 的 6 种集成方式

PyTorch 深度学习实战(26):多目标强化学习Multi-Objective RL

pytorch中的 scatter_()函数使用和详解

与 Java 17 相比，Java 21 究竟有多快?

基于TensorRT_LLM的大模型推理加速与OpenAI兼容服务优化

这一次，彻底搞懂Java并发包中的Atomic原子类

取消回复欢迎你发表评论:

旗舰机新标杆 OPPO Find X2系列正式发布售价5499元起