13、机器学习模型的多语言调用与容器化实践

机器学习模型的多语言调用与容器化实践

1. 模型版本与MLOps相关问题

在机器学习中，若将 CountVectorizer 替换为 HashingVectorizer ，情感得分会略有不同，部分原因是省略了 min_df 参数。另外，使用不同版本的Scikit保存和加载模型会有问题，一般来说，用一个版本的Scikit保存的模型，不能用另一个版本的Scikit加载。有时会出现警告信息，有时则完全无法加载。所以，保存和使用模型时要确保使用相同版本的Scikit。这从工程角度需要一些规划，若将序列化模型存储在集中式仓库中，并更新应用程序中使用的Scikit版本，就需要同时更新保存的模型。

这也引出了一些有趣的问题：
- 如何为机器学习模型设置仓库？
- 如何将模型从仓库部署到运行它们的设备上？
- 如何对模型及其训练数据集进行版本控制？

这些问题的答案来自新兴领域MLOps（ML operations），不过这里不详细介绍MLOps，若想了解更多，可阅读相关资料。

2. 从C#客户端调用Python模型

假设要从用另一种语言（如C#）编写的应用程序中调用之前的情感分析模型。不能直接从C#调用Python函数，但可以将Python模型包装在Web服务中，并使用REST API公开其 predict 或 predict_proba 方法。

以下是使用Flask实现Python Web服务的步骤：
1. 确保计算机上安装了Flask。