tornado框架简单部署lightgbm模型服务

gyl2016

关注

VIP免费原创最新推荐文章于 2026-06-23 10:27:11 发布 757 阅读 AI 写同款· GEO 优化 ›

LightGBM的安装部署而LGBM的另一种调用方式，即使用原生API进行建模，则会复杂很多，当然原生API也提供了非常多sklearn API中没有的功能。从建模流程上来看，使用原生LGBM API时需要先对数据集进行封装，转化成一种LGBM库定义的一种特殊的数据格式，然后再设置超参数字典，最终带入封装好的数据集和定义好的超参数字典进行训练，而在训练的过程，则支持多种不同的损失函数设置、以及交叉验证的优化流程的自动实现，并且原生API还提供了非常多实用功能，例如提供了GPU加速、精细化控制每一轮迭代的超参数等方法。阅读详情

本文讲一下利用tornado框架简单部署lightgbm模型服务的demo，具体步骤如下：

首先，准备好线下训练好的lightgbm模型文件，本文使用iris数据集训练得到。

然后，部署代码deploy.py如下：

import tornado.ioloop
import tornado.web
import json
import joblib
import numpy as np


class MainHandler(tornado.web.RequestHandler):
    def get(self):
        self.write("Hello, 666666")

    def post(self):
        data = self.request.body.decode("utf-8")
        data = json.loads(data)

        # # ==== 单条数据测试
        # data = np.array(data["data"]).reshape(1, 4)  # 单条数据测试
        # predict_lbl = clf.predict(data)[0]
        #
        # msg = {"label": int(predict_lbl), "code": 200}
        # self.write(json.dumps(msg))
        # # ====================

        # ==== 多条数据测试
        data = np.array(data["data"]).reshape(-1,4)
        predict_lbl = clf.predict(data)
        msg = {"label": predict_lbl.tolist(), "code": 200}
        self.write(json.dumps(msg))
        # =================

        msg = {"label": int(pr