Python 如何为此机器学习模型设置request.py?
下面我将使用Python部署一个机器学习模型。我已经按照说明完成了所有部分,包括创建了model.py和request.py文件,并在终端中运行了这些文件 但是,我未能创建request.py文件来生成预测。我的server.py是:Python 如何为此机器学习模型设置request.py?,python,machine-learning,flask,deployment,regression,Python,Machine Learning,Flask,Deployment,Regression,下面我将使用Python部署一个机器学习模型。我已经按照说明完成了所有部分,包括创建了model.py和request.py文件,并在终端中运行了这些文件 但是,我未能创建request.py文件来生成预测。我的server.py是: # Import libraries import numpy as np import flask import pickle app = flask.Flask(__name__) model = pickle.load(open("model.pkl",
# Import libraries
import numpy as np
import flask
import pickle
app = flask.Flask(__name__)
model = pickle.load(open("model.pkl","rb"))
@app.route('/predict', methods=['POST'])
def predict():
feature_array = request.get_json()['feature_array']
#our model rates the wine based on the input array
prediction = model.predict([feature_array]).tolist()
#preparing a response object and storing the model's predictions
response = {}
response['predictions'] = prediction
#sending our response object back as json
return flask.jsonify(response)
还有我的请求.py:
import requests
# URL
url = 'http://localhost:5000/request'
r = requests.post(url,json=[7.4,0.66,0,1.8,0.075,13,40,0.9978,3.51,0.56,9.4])
print(r.json())
如本教程第2行所示,烧瓶导入请求中的server.py文件是否缺少
,如本教程第2行所示,烧瓶导入请求中的server.py文件是否缺少
from flask import request
将其添加到server.py
文件的末尾(用于在端口5000处运行服务器和debug=True
以调试并解决错误,如果我们得到任何错误):
更新了request.py
文件(您的代码缺少feature\u array
键,您在server.py
文件中引用了该键):
在运行request.py
文件之前运行server.py
。将此导入server.py文件:
from flask import request
将其添加到server.py
文件的末尾(用于在端口5000处运行服务器和debug=True
以调试并解决错误,如果我们得到任何错误):
更新了request.py
文件(您的代码缺少feature\u array
键,您在server.py
文件中引用了该键):
在运行request.py
文件之前运行server.py
。那“来自烧瓶导入请求”只是一个介绍,真实的在下面的框中。我想我的问题在[feature\u array]部分,“来自烧瓶导入请求”只是一个介绍,真实的在下面的框中。我想我的问题在[feature\u array]部分部分此回归有11个变量您应该说明为什么您未能请求、预测错误或请求错误?谢谢@Joyzaza,我的是请求错误,抱歉我的歧义。此回归有11个变量您应该说明为什么您未能请求、预测错误或请求错误?谢谢@Joyza,我的是请求错误,对不起,我的模棱两可。我很高兴我能帮助你。我很高兴我能帮助你。
import requests, json
# URL
url = 'http://localhost:5000/predict'
r = requests.post(url, json={"feature_array":[7.4,0.66,0,1.8,0.075,13,40,0.9978,3.51,0.56,9.4]})
print(r.json())