使用pmml实现跨平台部署机器学习模型

一、概述

  对于由Python训练的机器学习模型,通常有pickle和pmml两种部署方式,pickle方式用于在python环境中的部署,pmml方式用于跨平台(如Java环境)的部署,本文叙述的是pmml的跨平台部署方式。

  PMML(Predictive Model Markup Language,预测模型标记语言)是一种基于XML描述来存储机器学习模型的标准语言。如,对在Python环境中由sklearn训练得到的模型,通过sklearn2pmml模块可将它完整地保存为一个pmml格式的文件,再在其他平台(如java)中加载该文件进行使用,从而实现模型的跨平台部署。
使用pmml实现跨平台部署机器学习模型_第1张图片


二、实现步骤

 1.训练环境中安装生成pmml文件的工具。
  如在Python环境中安装sklearn2pmml模块(pip install sklearn2pmml)。
 2.训练模型。
 3.将模型保存为pmml文件。
 4.部署环境中导入依赖的工具包。
  如在Java环境中导入pmml-evaluator、pmml-evaluator-extension(特殊情况下另加)、jaxb-core、jaxb-api、jaxb-impl等jar包。
 5.开发应用,加载、使用模型。

:对sklearn2pmml生成的pmml模型文件,在java中加载使用时,需将文件中的命名空间属性xmlns=".../PMML-4_4"改为xmlns=".../PMML-4_3",以适应低版本的jar包对它的解析。


三、示例

  在python中使用sklearn训练一个线性回归模型,并在java环境中部署使用。

工具:PyCharm-2017、Python-39、sklearn2pmml-0.76.1;IntelliJ IDEA-2018、jdk-14.0.2。

1.训练数据集training_data.csv
使用pmml实现跨平台部署机器学习模型_第2张图片


2.训练、保存模型

import sklearn2pmml as pmml
from sklearn2pmml import PMMLPipeline
from sklearn import linear_model as lm
import os
import pandas as pd

def save_model(data, model_path):
    pipeline = PMMLPipeline([("regression", lm.LinearRegression())]) #定义模型,放入pipeline管道
    pipeline.fit(data[["x"]], data["y"]) #训练模型,由数据中第一行的名称确定自变量和因变量
    pmml.sklearn2pmml(pipeline, model_path, with_repr=True) #保存模型

if __name__ == "__main__":
    data = pd.read_csv("training_data.csv")
    model_path = model_path = os.path.dirname(os.path.abspath(__file__)) + "/my_example_model.pmml"
    save_model(data, model_path)
    print("模型保存完成。")

3.将pmml文件的xmlns属性修改为PMML-4_3
使用pmml实现跨平台部署机器学习模型_第3张图片


4.java程序中加载、使用模型
(1)创建maven项目,将pmml模型文件拷贝至项目根目录下。
(2)加入依赖包


        
            org.jpmml
            pmml-evaluator
            1.4.15
        
        
            com.sun.xml.bind
            jaxb-core
            2.2.11
        
        
            javax.xml
            jaxb-api
            2.1
        
        
            com.sun.xml.bind
            jaxb-impl
            2.2.11
        
    

(3)java程序加载模型完成预测

public class MLPmmlDeploy {
    public static void main(String[] args) {

        String model_path = "./my_example_model.pmml"; //模型路径
        int x = 20; //测试的自变量值

        Evaluator model = loadModel(model_path); //加载模型
        Object r = predict(model, x); //预测

        Double result = Double.parseDouble(r.toString());
        System.out.println("预测的结果为:" + result);
    }

    private static Evaluator loadModel(String model_path){
        PMML pmml = new PMML(); //定义PMML对象
        InputStream inputStream; //定义输入流
        try {
            inputStream = new FileInputStream(model_path); //输入流接到磁盘上的模型文件
            pmml = PMMLUtil.unmarshal(inputStream); //将输入流解析为PMML对象
        }catch (Exception e){
            e.printStackTrace();
        }

        ModelEvaluatorFactory modelEvaluatorFactory = ModelEvaluatorFactory.newInstance(); //实例化一个模型构造工厂
        Evaluator evaluator = modelEvaluatorFactory.newModelEvaluator(pmml); //将PMML对象构造为Evaluator模型对象

        return evaluator;
    }

    private static Object predict(Evaluator evaluator, int x){
        Map data = new HashMap(); //定义测试数据Map,存入各元自变量
        data.put("x", x); //键"x"为自变量的名称,应与训练数据中的自变量名称一致
        List inputFieldList = evaluator.getInputFields(); //得到模型各元自变量的属性列表

        Map arguments = new LinkedHashMap();
        for (InputField inputField : inputFieldList) { //遍历各元自变量的属性列表
            FieldName inputFieldName = inputField.getName();
            Object rawValue = data.get(inputFieldName.getValue()); //取出该元变量的值
            FieldValue inputFieldValue = inputField.prepare(rawValue); //将值加入该元自变量属性中
            arguments.put(inputFieldName, inputFieldValue); //变量名和变量值的对加入LinkedHashMap
        }

        Map results = evaluator.evaluate(arguments); //进行预测
        List targetFieldList = evaluator.getTargetFields(); //得到模型各元因变量的属性列表
        FieldName targetFieldName = targetFieldList.get(0).getName(); //第一元因变量名称
        Object targetFieldValue = results.get(targetFieldName); //由因变量名称得到值

        return targetFieldValue;
    }

}

示例下载:
https://download.csdn.net/download/Albert201605/45645889

End.


参考

  1. https://www.freesion.com/article/4628411548/
  2. https://www.cnblogs.com/pinard/p/9220199.html
  3. https://www.cnblogs.com/moonlightpoet/p/5533313.html

你可能感兴趣的