Python 最后，我将权重上传到一个无sql数据库，并在服务器上实现了分类功能。它运行得很快，而且很容易更新。请注意，这是不鼓励的，因此答案应该是搜索解决方案的终点（而不是另一个参考文献的中途停留，随着时间的推移，它往往会变得过时）。请考虑在这里添加一个独立的概要，将
Python 最后，我将权重上传到一个无sql数据库，并在服务器上实现了分类功能。它运行得很快，而且很容易更新。请注意，这是不鼓励的，因此答案应该是搜索解决方案的终点（而不是另一个参考文献的中途停留，随着时间的推移，它往往会变得过时）。请考虑在这里添加一个独立的概要，将,python,web-applications,scikit-learn,Python,Web Applications,Scikit Learn,最后，我将权重上传到一个无sql数据库，并在服务器上实现了分类功能。它运行得很快，而且很容易更新。请注意，这是不鼓励的，因此答案应该是搜索解决方案的终点（而不是另一个参考文献的中途停留，随着时间的推移，它往往会变得过时）。请考虑在这里添加一个独立的概要，将链接保持为reference@zthomas.nc你说的更好的解决方案是什么意思？从你的博客文章来看，这是最简单、最标准的方法。如果您正在寻找更好的部署解决方案，可以使用docker。若它是关于表示的，那个么将UI和后端部分拆分为Flask/R
最后，我将权重上传到一个无sql数据库，并在服务器上实现了分类功能。它运行得很快，而且很容易更新。请注意，这是不鼓励的，因此答案应该是搜索解决方案的终点（而不是另一个参考文献的中途停留，随着时间的推移，它往往会变得过时）。请考虑在这里添加一个独立的概要，将链接保持为reference@zthomas.nc你说的更好的解决方案是什么意思？从你的博客文章来看，这是最简单、最标准的方法。如果您正在寻找更好的部署解决方案，可以使用docker。若它是关于表示的，那个么将UI和后端部分拆分为Flask/ReactJs应用程序可能是合适的。我不明白你在找什么。@GensaGames Fair，也许我需要写下那篇博文的要点，让它成为一个答案
<form
action="/plot" method="post"
enctype="multipart/form-data"
>
Select a file: <input type="file" name="upload" />
<input type="submit" value="PCA & LDA" />
</form>
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import numpy as np
from cStringIO import StringIO
from bottle import route, run, request, static_file
import csv
from matplotlib.font_manager import FontProperties
import colorsys
from sklearn import datasets
from sklearn.decomposition import PCA
from sklearn.lda import LDA
html = '''
<html>
<body>
<img src="data:image/png;base64,{}" />
</body>
</html>
'''
@route('/')
def root():
return static_file('upload.html', root='.')
@route('/plot', method='POST')
def plot():
# Get the data
upload = request.files.get('upload')
mydata = list(csv.reader(upload.file, delimiter=','))
x = [row[0:-1] for row in mydata[1:len(mydata)]]
classes = [row[len(row)-1] for row in mydata[1:len(mydata)]]
labels = list(set(classes))
labels.sort()
classIndices = np.array([labels.index(myclass) for myclass in classes])
X = np.array(x).astype('float')
y = classIndices
target_names = labels
#Apply dimensionality reduction
pca = PCA(n_components=2)
X_r = pca.fit(X).transform(X)
lda = LDA(n_components=2)
X_r2 = lda.fit(X, y).transform(X)
#Create 2D visualizations
fig = plt.figure()
ax=fig.add_subplot(1, 2, 1)
bx=fig.add_subplot(1, 2, 2)
fontP = FontProperties()
fontP.set_size('small')
colors = np.random.rand(len(labels),3)
for c,i, target_name in zip(colors,range(len(labels)), target_names):
ax.scatter(X_r[y == i, 0], X_r[y == i, 1], c=c,
label=target_name,cmap=plt.cm.coolwarm)
ax.legend(loc='upper center', bbox_to_anchor=(1.05, -0.05),
fancybox=True,shadow=True, ncol=len(labels),prop=fontP)
ax.set_title('PCA')
ax.tick_params(axis='both', which='major', labelsize=6)
for c,i, target_name in zip(colors,range(len(labels)), target_names):
bx.scatter(X_r2[y == i, 0], X_r2[y == i, 1], c=c,
label=target_name,cmap=plt.cm.coolwarm)
bx.set_title('LDA');
bx.tick_params(axis='both', which='major', labelsize=6)
# Encode image to png in base64
io = StringIO()
fig.savefig(io, format='png')
data = io.getvalue().encode('base64')
return html.format(data)
run(host='mindwriting.org', port=8079, debug=True)
from sklearn.externals import joblib
joblib.dump(clf, 'iris-svc.pkl')
FROM hexacta/sklearn-predict-http-api:latest
COPY iris-svc.pkl /usr/src/app/model.pkl
$ docker build -t iris-svc .
$ docker run -d -p 4000:8080 iris-svc
$ curl -H "Content-Type: application/json" -X POST -d '{"sepal length (cm)":4.4}' http://localhost:4000/predictproba
[{"0":0.8284069169,"1":0.1077571623,"2":0.0638359208}]
$ curl -H "Content-Type: application/json" -X POST -d '[{"sepal length (cm)":4.4}, {"sepal length (cm)":15}]' http://localhost:4000/predict
[0, 2]