手把手教你用 Python Pandas，Keras ，Flask ，Docker和 Heroku 部署机器学习模型（附代码）

关注

原创最新推荐文章于 2026-05-09 16:05:09 发布 733 阅读 AI 写同款· GEO 优化 ›

部署ML/DL 模型到一个consolidated AI演示关键字：IRIS，IntegratedML，Flask，FastAPI，TensorFlow Serving，HAProxy，Docker，Covid-19 目的：过去几个月里，我们提到了一些深度学习和机器学习的快速演示，包括一个简单的 Covid-19 X 射线图像分类器和一个用于可能的 ICU 入院的 Covid-19 实验室结果分类器。我们还介绍了 ICU 分类器的 Integrat... 阅读详情

Fly-AI竞赛服务平台 flyai.com

在开始学习之前推荐大家可以多在 FlyAI竞赛服务平台多参加训练和竞赛，以此来提升自己的能力。FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台。每周免费提供项目开源算法样例，支持算法能力变现以及快速的迭代算法模型。

在2019年橄榄球世界杯期间，我做了一个小型的数据科学项目来尝试预测比赛结果。我现在将其记录下来。我已经将其扩展成了一个端对端学习项目的示例，来展示如何部署一个应用机器学习模型的交互式网页端应用。

目标

概述从原始数据到可用的已部署机器学习应用程序所需的关键步骤。

完成此操作后——您就可以选择一个感兴趣的主题，找到一些数据，动手实践，直到建起自己的机器学习应用程序，即从数据准备到部署。

关键步骤

1. 使用Pandas处理数据&使用SQLite储存数据

2. 使用Keras建立机器学习模型（神经网络）

3. 使用Flask（还有一些CSS&HTML）建立Web应用

4. 使用Docker和Heroku部署应用

代码可以在GitHub上获取，可用的应用可以在此浏览。（注意，这些代码还未达到生产水平，但是足以展示开头应该做的内容。这个可用的应用使用的是特定时点数据的快照）。

1. 使用Pandas处理数据&使用SQLite储存数据

数据科学家会在这上面花费45%的时间，只是为了让数据满足建立模型的要求

数据处理包括清洗、结构化和丰富，借此使你的数据满足建立机器学习模型的要求。例如，解决空缺数据或者不规则格式。

除非你已经有了一个干净的数据集（现实中几乎不可能发生），你将需要使用探索性数据分析（EDA）来更好得理解数据。

Pandas-profiling 是用于EDA的一个优秀的模块。他会生成一个DataFrames格式的文件报告，其中包括分位数和描述性统计信息、相关系数、缺失值和直方图。

使用Pandas-profiling进行EDA的一个输示例

为了这个项目，我需要来自 ESPN Scrum 的数据。您可以在 data_prep.py 属性定义格式，例如使用 to_datetime() 方法匹配日期。我还用了世界橄榄球排名的数据来丰富，使用微软的技术衡量 TrueSkill 评级系统。
如果你正在寻找数据集，加州大学欧文分校的机器学习知识库和 Kaggle 都是值得探索的好资源。另外，您也可以使用 BeautifulSoup 抓取来获取数据。
我将我的数据帧作为表存储在SQLite数据库中。这是一个轻量级数据库，在世界上应用也最广泛。当然你也可以使用普通的csv文件，但是这提供了一个学习SQLite的机会。下面的代码连接到 match_results 数据库，并将 latest_stats 作为表写入其中。

conn = sqlite3.connect('match_results.db')
latest_stats.to_sql('latest_stats', conn, if_exists='replace')

现在我们有了测试和训练机器学习模型的数据时间。

2. 机器学习- Keras神经网络

测试中

使用均方误差(MSE)作为损失函数来最小化。我们进行了超参数调整(Jason Brownlee在这里提供了教程)，并且我尝试了宽网络(带有大量神经元的一层)和深网络(更多层但每层神经元更少)，直到MSE没有显著改善。

您希望模型能够很好地处理不可见的数据。如果你对你的模型进行过拟合，你的训练数据可能会有一个小的错误，但是你的测试数据(看不见的)会有一个大的错误。当这种情况发生时，模型已经学习训练数据几乎太好，不能推广到新的数据。有避免过拟合的各种技术。

下面我们可以看到，训练数据和测试数据的MSE在大约25个时期之前迅速下降，然后保持相对稳定。

Training

最终模型的第一层有15个神经元，第二层有8个神经元，均带有矫正线性激活单元(ReLU)。

它是用Adam优化算法编译的，这是一个 efficient gradient descent algorithm.

model = Sequential()
model.add(Dense(15, input_dim=5, kernel_initializer='normal', activation='relu'))
model.add(Dense(8, kernel_initializer='normal', activation='relu'))
model.add(Dense(2, kernel_initializer='normal'))
model.compile(loss='mse', optimizer='adam')

拯救你的模型

save() 函数用于保存最终的Keras模型。这节省了模型架构和权重，并允许我们稍后在应用程序中加载模型来对新数据进行预测。

3.Web应用与Flask(和一些CSS和HTML)

Flask 是一个web框架，可用于相对快速地开发web应用程序。你可以在这里找到一个快速发展的步行。

下面的代码 app.py 文件基本上建立了主页，并为用户提供index.html:

应用程序的主页与用户输入表单

WTForms 用于表单，以便用户可以选择他们的两个橄榄球队。单击按钮时，输入将通过model_predict函数发送到保存的ML模型。得到的模型预测然后作为输入变量发送到predict .html模板。

@app.route("/", methods=['GET', 'POST'])
def home():

    form = TeamForm(request.form)

    # Get team names and send to model
    if request.method == 'POST' and form.validate():
        team1 = request.form['team1']
        team2 = request.form['team2']
        return render_template('prediction.html', win_prob=model_predict(team1,team2)[0],
                               score=model_predict(team1, team2)[1])

    # Send template information to index.html
    return render_template('index.html', form=form)

html模板做了三件关键的事情:

获取从模型输出发送给最终用户的获胜概率和分数(通过win_prob和分数变量)
提供一个按钮，让用户返回主页
引用 main.css 文件提供一些样式

预测结果页面

<!DOCTYPE html>
<head>
  <title>Prediction</title>
  <link rel="stylesheet" href="/static/css/main.css">
</head>

<body>
  <div >
    <h1>
      <center>Predictions</center>
    </h1>

    {% block content %}
    <div >{{win_prob}}</div>

    <div >{{score}}</div>

    <form action="/button" method = "POST">
    <p><input type = "submit" value = "Return" /></p>
    </form>

    {% endblock %}

  </div>
</body>

</html>

这是它的内容!总之，你明白:
两个模板:首页和预测结果页面的index.html和predict .html

4. 使用Docker和Heroku部署应用
Docker 容器
我不会去太详细地介绍 Docker ,但关键要知道的是,它允许您计划您的应用程序在一个自给自足的容器,可以跨系统即使用它创建一个便携式容器,让它更容易部署你的应用,你可以深入的细节在官方 Docker 文档。

下载Docker的方法在这里。
在你的app目录中创建一个 Dockerfile 。这包含了构建 Docker 映像的说明。Dockerfiles 的最佳实践可以在这里和这里查看。下面您将看到，我已经包含了运行 requirements.txt 文件的说明，该文件包含应用程序的依赖项。

FROM Python:3.7.3-stretchRUN mkdir /app
WORKDIR /app#Copy all files
COPY . .# Install dependencies
RUN pip install --upgrade pip
RUN pip install -r requirements.txt# Run
CMD ["python","./main.py"]

打开终端，进入包含Dockerfile和app的目录。使用build命令构建你的镜像: docker build -t rugby_prediction 这将从Dockerfile构建Docker映像。

你可以在本地使用 run 创建容器的命令 docker run --name rugby -p 5000:5000 -d rugby_prediction 在这里，-p将容器的端口发布到主机，-d使容器在后台运行。一旦这是运行，你应该能够查看你的应用程序运行在你的浏览器(在Docker桌面，点击打开浏览器按钮)。
如果你在运行应用程序时遇到任何错误，你可以使用 docker logs 命令，查看日志和调试。