开工的欲望 ｜ AI Studio上线新功能，用你的模型生成在线预测服务

 

开工第一天，小伙伴们是否是尚未从过年的状态转换过来？今天给你们介绍一个AI Studio新功能，能让你们用本身训练好的模型，轻松生成在线预测服务，经过在线API调用，并且是免费的哦~

你们是否是已经跃跃欲试了呢？那就快到AI Studio亲自体验一下吧。但愿这个开年小“福利”，能帮助你们尽快找到开工的感受。

 

常常登陆AI Studio的朋友可能早就发现——AI Studio改版了：

此次升级，AI Studio不光调整了前端页面，还增长了很多新功能，其中就包含咱们今天要说的在线部署及预测功能。

功能说明

在线部署与预测为开发者提供训练模型向应用化API转换的功能. 开发者在AI Studio平台经过单机项目NoteBook页面完成模型训练后, 经过建立一个在线服务, 应用模型生成在线API, 使用该API能够直接检验模型效果或实际应用到开发者的私有项目中.目前, 该功能暂时仅对单机项目开放。

经过训练任务生成模型文件

• 在训练任务过程当中, 经过调用paddle.fluid.io.save_inference_model`实现模型的保存，保存后的目录须要能够被在线服务使用. 咱们以房价预测的线性回归任务为例, 具体代码以下

 

 

• 使用已有模型, 能够经过

  !wget

  在Notebook中传输模型文件到环境目录。以房价预测的线性回归模型为例, 经过

  !wget https://ai.baidu.com/file/4E1D1FCC670E4A5E8441634201658107 -O fit_a_line.inference.model

  传输文件, 解压后直接被在线服务使用.

   

 

建立一个在线服务

完成模型训练后, 在单机项目页面点击【建立预测服务】

第一步 选择模型文件

• 勾选模型文件

•  

• 设置主程序, 主程序为

  paddle.fluid.io.save_inference_model

  中参数

  main_program

  配置的程序, 在房价预测的示例中，咱们使用默认参数调用

  save_inference_model

  , 所以将

  __model__

  文件设置为主程序. 

   

第二步 确认输入输出

填写模型的输入输出参数. 以房价预测的线性回归模型为例(参数参考), 添加参数以下图所示.

第三步 制做参数转换器

参数转换器帮助用户转化合法输入并完成数据预处理.

• 方式一:自定义转换器(Python2.7)(推荐).

输入参数转换器方法

 

 

输出参数转换器方法

 

 

转换器代码示例, 以房价预测为例.

输入参数转换器:

 

 

输出参数转换器:

 

 

• 方式二: 默认参数, 不设置转换器.

  用户的API参数直接传递给模型. 

   

第四步 沙盒部署

用户能够同时部署之多五个沙盒服务, 用来对比模型优化结果.

录入名称点击【生成沙盒】或者点击【暂存】将沙盒保存到草稿箱.

测试沙盒服务

对沙盒列表中的沙盒服务进行测试，验证是否配置正确。

第一步 点击【测试】打开测试页面

第二步 填写json格式请求参数

第三步 点击【发送】检验返回结果

部署在线服务

点击【正式部署】部署线上API.

• 一个项目能够建立五个沙盒服务, 并选择其中一个沙盒服务部署为线上服务.

• 沙盒服务若是连续超过24小时无调用将自动调整为暂停状态.

• 线上服务若是连续超过14天无调用将自动调整为暂停状态.

调用在线服务

依据API key、服务地址和用户自定义参数, 实现对服务的调用.

请求方式

• HTTP请求URL: [服务地址] [?] [apiKey=xxx]

• HTTP请求方法: POST

• HTTP Body: 用户自定义参数

调用示例

以房价预测项目为例.

• CURL

 

 

• Python