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
開工第一天，小伙伴們是不是還沒有從過年的狀態(tài)轉(zhuǎn)換過來？今天給大家介紹一個AI Studio新功能，能讓大家用自己訓練好的模型，輕松生成在線預測服務，通過在線API調(diào)用，而且是免費的哦~
大家是不是已經(jīng)躍躍欲試了呢？那就快到AI Studio親自體驗一下吧。希望這個開年小“福利”，能幫助大家盡快找到開工的感覺。
經(jīng)常登錄AI Studio的朋友可能早就發(fā)現(xiàn)——AI Studio改版了：
這次升級，AI Studio不光調(diào)整了前端頁面，還增加了不少新功能，其中就包含我們今天要說的在線部署及預測功能。
功能說明
在線部署與預測為開發(fā)者提供訓練模型向應用化API轉(zhuǎn)換的功能. 開發(fā)者在AI Studio平臺通過單機項目NoteBook頁面完成模型訓練后, 通過創(chuàng)建一個在線服務, 應用模型生成在線API, 使用該API可以直接檢驗模型效果或?qū)嶋H應用到開發(fā)者的私有項目中.目前, 該功能暫時僅對單機項目開放。
通過訓練任務生成模型文件
在訓練任務過程中, 通過調(diào)用paddle.fluid.io.save_inference_model`實現(xiàn)模型的保存，保存后的目錄需要可以被在線服務使用. 我們以房價預測的線性回歸任務為例, 具體代碼如下
使用已有模型, 可以通過
!wget
在Notebook中傳輸模型文件到環(huán)境目錄。以房價預測的線性回歸模型為例, 通過
!wget https://ai.baidu.com/file/4E1... -O fit_a_line.inference.model
傳輸文件, 解壓后直接被在線服務使用.
創(chuàng)建一個在線服務
完成模型訓練后, 在單機項目頁面點擊【創(chuàng)建預測服務】
第一步 選擇模型文件
勾選模型文件
設置主程序, 主程序為
paddle.fluid.io.save_inference_model
中參數(shù)
main_program
配置的程序, 在房價預測的示例中，我們使用默認參數(shù)調(diào)用
save_inference_model
, 因此將
model
文件設置為主程序.
第二步 確認輸入輸出
填寫模型的輸入輸出參數(shù). 以房價預測的線性回歸模型為例(參數(shù)參考), 添加參數(shù)如下圖所示.
第三步 制作參數(shù)轉(zhuǎn)換器
參數(shù)轉(zhuǎn)換器幫助用戶轉(zhuǎn)化合法輸入并完成數(shù)據(jù)預處理.
方式一:自定義轉(zhuǎn)換器(Python2.7)(推薦).
輸入?yún)?shù)轉(zhuǎn)換器方法
輸出參數(shù)轉(zhuǎn)換器方法
轉(zhuǎn)換器代碼示例, 以房價預測為例.
輸入?yún)?shù)轉(zhuǎn)換器:
輸出參數(shù)轉(zhuǎn)換器:
方式二: 默認參數(shù), 不設置轉(zhuǎn)換器.
用戶的API參數(shù)直接傳遞給模型.
第四步 沙盒部署
用戶可以同時部署之多五個沙盒服務, 用來對比模型優(yōu)化結(jié)果.
錄入名稱點擊【生成沙盒】或者點擊【暫存】將沙盒保存到草稿箱.
測試沙盒服務
對沙盒列表中的沙盒服務進行測試，驗證是否配置正確。
第一步 點擊【測試】打開測試頁面
第二步 填寫json格式請求參數(shù)
第三步 點擊【發(fā)送】檢驗返回結(jié)果
部署在線服務
點擊【正式部署】部署線上API.
一個項目可以創(chuàng)建五個沙盒服務, 并選擇其中一個沙盒服務部署為線上服務.
沙盒服務如果連續(xù)超過24小時無調(diào)用將自動調(diào)整為暫停狀態(tài).
線上服務如果連續(xù)超過14天無調(diào)用將自動調(diào)整為暫停狀態(tài).
調(diào)用在線服務
依據(jù)API key、服務地址和用戶自定義參數(shù), 實現(xiàn)對服務的調(diào)用.
請求方式
HTTP請求URL: [服務地址] [?] [apiKey=xxx]
HTTP請求方法: POST
HTTP Body: 用戶自定義參數(shù)
調(diào)用示例
以房價預測項目為例.
CURL
Python
總結(jié)
以上是生活随笔為你收集整理的开工的欲望 ｜ AI Studio上线新功能，用你的模型生成在线预测服务的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 秒懂INNODB的锁
- 下一篇： AI 趋势