使用Flask部署简单机器学习模型API -

题目

使用Flask部署简单机器学习模型API

信息

类型：问答
难度：⭐

考点

模型部署,RESTful API设计,基本错误处理

快速回答

实现步骤：

创建Flask应用实例
加载预训练模型（伪代码示例）
定义POST接口路由
解析JSON输入并调用模型预测
返回JSON格式预测结果
添加基础错误处理

## 解析

原理说明

AI工程化的核心是将机器学习模型转化为可访问的服务。Flask作为轻量级Web框架，通过RESTful API暴露模型预测功能：

客户端发送JSON格式输入数据
服务端加载模型并执行预测
返回JSON格式的预测结果

代码示例

from flask import Flask, request, jsonify
import joblib  # 用于模型加载

app = Flask(__name__)

# 伪代码：实际项目需替换为真实模型路径
# model = joblib.load('model.pkl')

@app.route('/predict', methods=['POST'])
def predict():
    try:
        # 1. 获取JSON数据
        data = request.json

        # 2. 数据预处理（伪代码）
        # features = preprocess(data['features'])

        # 3. 执行预测（伪代码）
        # prediction = model.predict([features])[0]

        # 示例硬编码响应
        return jsonify({
            'prediction': 0.85, 
            'status': 'success'
        })

    except Exception as e:
        # 4. 错误处理
        return jsonify({
            'error': str(e),
            'status': 'failed'
        }), 400

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

最佳实践

输入验证：检查必需字段和数据类型
模型隔离：单独文件加载模型避免重复加载
日志记录：添加logging记录请求和错误
API文档：使用Swagger描述接口规范

常见错误

错误类型	解决方案
未处理JSON解析错误	添加try/except捕获JSONDecodeError
缺少Content-Type头	客户端需设置Header: Content-Type: application/json
模型版本混淆	在响应中添加model_version字段