学习ML.NET(2): 使用模型进行预测

训练模型

在上一篇文章中，我们已经通过LearningPipeline训练好了一个“鸢尾花瓣预测”模型，

var model = pipeline.Train<IrisData, IrisPrediction>();

现在就可以让模型对一条没有人工标注结果的数据进行分析，返回一个预测结果。

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}");

或者一次预测一批数据

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);

保存模型

但是大多数时候，已经训练好的模型以后还需要继续可以使用，因此需要把它持久化，写入到zip文件中。

await model.WriteAsync("IrisPredictionModel.zip");

使用模型

一旦建立了机器学习模型，就可以部署它，利用它进行预测。我们可以通过REST API，接受来自客户端的数据输入，并返回预测结果。

 

• 创建API项目

 

dotnet new webapi -o myApi

 

• 安装依赖项

 

cd myApi
dotnet add package Microsoft.ML
dotnet restore

•  引用模型

要在API中引用我们前面保存的模型，只需将IrisPredictionModel.zip复制到API项目目录中即可。

• 创建数据结构

我们的模型使用数据结构IrisData和IrisPrediction来定义特征和预测属性。因此，当使用我们的模型通过API进行预测时，它也需要引用这些数据结构。因此，我们需要在API项目中定义IrisData和IrisPrediction。类的内容与上一篇文章中创建模型项目中的内容相同。

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;
    }
}

• 创建Controller

现在，在API项目的Controllers目录中，创建PredictController类，用于处理来自客户端的预测请求，它包含一个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;
        } 
    }
}

• 测试API

使用如下命令行运行程序：

dotnet run

然后，使用POSTMAN或其他工具向http://localhost:5000/api/predict发送POST请求，请求数据类似：

{    "SepalLength": 3.3,    "SepalWidth": 1.6,    "PetalLength": 0.2,    "PetalWidth": 5.1,
}

如果成功，将会返回"Iris-virginica"。

原文出处：https://www.cnblogs.com/feiyun0112/p/ML-NET-2.html