Machine Learning – 8 – Flask API

நமது algorithm கணிக்கும் மதிப்பினை ஒரு API-ஆக expose செய்வதற்கு Flask பயன்படுகிறது. இதற்கான நிரல் பின்வருமாறு.


import os
import json
import pandas as pd
import numpy
from flask import Flask, render_template, request, jsonify
from pandas.io.json import json_normalize
from sklearn.externals import joblib
app = Flask(__name__)
port = int(os.getenv('PORT', 5500))
@app.route('/')
def home():
return render_template('index.html')
@app.route('/api/salepricemodel', methods=['POST'])
def salepricemodel():
if request.method == 'POST':
try:
post_data = request.get_json()
json_data = json.dumps(post_data)
s = pd.read_json(json_data)
p = joblib.load("./salepricemodel.pkl")
r = p.predict(s)
return str(r)
except Exception as e:
return (e)
if __name__ == '__main__':
app.run(host='0.0.0.0', port=port, debug=True)

view raw

flask_api.py

hosted with ❤ by GitHub

நிரலுக்கான வெளியீடு:

* Serving Flask app “flask_api” (lazy loading)
* Environment: production
WARNING: Do not use the development server in a production environment.
Use a production WSGI server instead.
* Debug mode: on
* Restarting with stat
* Debugger is active!
* Debugger PIN: 690-746-333
* Running on 0.0.0.0:5500/ (Press CTRL+C to quit)

இதனை postman எனும் கருவி மூலம் நாம் சோதித்துக் கொள்ளலாம்.

 

 

%d bloggers like this: