概要

Flask を使って機械学習 API をサクッと作ります。

下記のような結果を返すことが目標です。

$ curl http://0.0.0.0:5000/predict -X POST -H 'Content-Type:application/json' -d '{"feature":[1, 1, 1, 1]}'

{"Content-Type":"application/json","prediction":[2],"success":true}

対象

なんとなく API は知っているけど、実装しようとすると「？？？」ってなる人
機械学習 API を作ってみたい人
既存のサービスに機械学習の処理を加えてみたい人
高負荷は想定していません

API について

ここでは REST API を想定しています。

REST API って何

詳細は~~私も詳しくないので~~下記リンク参照してください。

本稿では URL 越しに機能（今回でいうと学習後モデルによる分類）を使えるようにしたもの 程度の認識で良いです。

API にすると何が嬉しいのか

既存サービスへの影響が少ない
- 環境を分けられる
- 言語が違っても良い
- コードがそこまで混在しない
- 外部の機械学習サービス（AWS とか GCP で提供されているもの）に移行しやすい

作成手順

1. 環境構築

Flask と学習・予測に必要なライブラリが既に入っている人はスキップ

今回は pyenv-virtualenv を使って仮想環境を構築しますが、
各自の方法に任せます。

1.1 仮想環境

$ pyenv install 3.7.0
$ pyenv virtualenv 3.7.0 test3.7.0
$ pyenv local test3.7.0
(test3.7.0) $ pyenv versions
  system
  3.6.3
  3.7.0
  3.7.0/envs/test3.7.0
* test3.7.0 (set by ~~~)

1.2 Python パッケージインストール

(test3.7.0) $ pip install Flask
(test3.7.0) $ pip install scikit-learn
(test3.7.0) $ pip install numpy
(test3.7.0) $ pip install scipy

2. 学習用スクリプト

今回は機械学習のモデルは重視していないので、
サクッと scikit-learn 内のモデルとデータ（iris）を使って学習済モデルを作成します。

iris データについて詳細は省略しますが、
一言でいうと 草の形（4パラメータ）とその草の種類（3種類）がまとまっているデータ です。

3.4. Model persistence — scikit-learn 0.19.2 documentation

train.py

from sklearn import svm
from sklearn import datasets
from sklearn.externals import joblib


def main():
    # classifier
    clf = svm.SVC()
    # data(iris)
    iris = datasets.load_iris()
    # Split train_x, train_y
    X, y = iris.data, iris.target
    # train
    clf.fit(X, y)
    # save model
    joblib.dump(clf, './trained-model/sample-model.pkl')


if __name__ == '__main__':
    main()

実行

(test3.7.0) $ python train.py
/Users/fujimotoyuusuke/.pyenv/versions/test3.7.0/lib/python3.7/site-packages/sklearn/feature_extraction/text.py:17: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  from collections import Mapping, defaultdict
(test3.7.0) $ ls trained-model
sample-model.pkl

sample-model.pkl が作られていれば OK です。

3. Flask 本体

サクッと作るためにあまり凝ったことはしません~~できません~~。
ただし要求の度にモデルを読み込む必要はないので、load_model() を定義してそこで読み込むようにしています。

run_server.py

from sklearn.externals import joblib
import flask
import numpy as np

# initialize our Flask application and pre-trained model
app = flask.Flask(__name__)
model = None


def load_model():
    global model
    print(" * Loading pre-trained model ...")
    model = joblib.load("./trained-model/sample-model.pkl")
    print(' * Loading end')


@app.route("/predict", methods=["POST"])
def predict():
    response = {
        "success": False,
        "Content-Type": "application/json"
    }
    # ensure an feature was properly uploaded to our endpoint
    if flask.request.method == "POST":
        if flask.request.get_json().get("feature"):
            # read feature from json
            feature = flask.request.get_json().get("feature")

            # preprocess for classification
            # list  -> np.ndarray
            feature = np.array(feature).reshape((1, -1))

            # classify the input feature
            response["prediction"] = model.predict(feature).tolist()

            # indicate that the request was a success
            response["success"] = True
    # return the data dictionary as a JSON response
    return flask.jsonify(response)


if __name__ == "__main__":
    load_model()
    print(" * Flask starting server...")
    app.run()

4. 確認

4.1 API サーバー起動

下記のようなメッセージが出れば起動できています。

(test3.7.0) $ python run_server.py
 * Loading pre-trained model ...
 * Loading end
 * Flask starting server...
 * Serving Flask app "run_server" (lazy loading)
 * Environment: production
   WARNING: Do not use the development server in a production environment.
   Use a production WSGI server instead.
 * Debug mode: off
 * Running on http://127.0.0.1:5000/ (Press CTRL+C to quit)

4.2 cURL コマンドで確認

ここでもう一つターミナル等を開いて下記コマンドを打ちます。

curlコマンドで確認

$ curl http://0.0.0.0:5000/predict -X POST -H 'Content-Type:application/json' -d '{"feature":[1, 1, 1, 1]}'

予測結果

{"Content-Type":"application/json","prediction":[2],"success":true}

success:true となって予測結果が返ってくれば成功です！

そのうち機会があれば、Keras の画像処理モデルを使って簡単な Web サービス作ってみようと思います。

参考資料

Building a simple Keras + deep learning REST API - The Keras Blog
A scalable Keras + deep learning REST API - PyImageSearch
- Redis キューイングを使ったスケーラブルな REST API を構築するらしい…
https://github.com/yukkyo/simple-ml-api
- 今回作ったコード

Python(Flask) でサクッと 機械学習 API を作る

概要

対象