開工第一天，小夥伴們是不是還沒有從過年的狀態轉換過來？今天給大家介紹一個AI Studio新功能，能讓大家用自己訓練好的模型，輕鬆生成在線預測服務，通過在線API調用，而且是免費的哦~ 大家是不是已經躍躍欲試了呢？那就快到AI Studio親自體驗一下吧。希望這個開年小“福利”，能幫助大家儘快找到開工的感覺。
經常登錄AI Studio的朋友可能早就發現——AI Studio改版了：
這次升級，AI Studio不光調整了前端頁面，還增加了不少新功能，其中就包含我們今天要說的在線部署及預測功能。
功能說明
在線部署與預測爲開發者提供訓練模型嚮應用化API轉換的功能. 開發者在AI Studio平臺通過單機項目NoteBook頁面完成模型訓練後, 通過創建一個在線服務, 應用模型生成在線API, 使用該API可以直接檢驗模型效果或實際應用到開發者的私有項目中.目前, 該功能暫時僅對單機項目開放。
通過訓練任務生成模型文件
在訓練任務過程中, 通過調用paddle.fluid.io.save_inference_model`實現模型的保存，保存後的目錄需要可以被在線服務使用. 我們以房價預測的線性迴歸任務爲例, 具體代碼如下
使用已有模型, 可以通過
!wget在Notebook中傳輸模型文件到環境目錄。以房價預測的線性迴歸模型爲例, 通過!wget https://ai.baidu.com/file/4E1D1FCC670E4A5E8441634201658107 -O fit_a_line.inference.model傳輸文件, 解壓後直接被在線服務使用.
創建一個在線服務
完成模型訓練後, 在單機項目頁面點擊【創建預測服務】
第一步 選擇模型文件
勾選模型文件
設置主程序, 主程序爲
paddle.fluid.io.save_inference_model中參數main_program配置的程序, 在房價預測的示例中，我們使用默認參數調用save_inference_model, 因此將__model__文件設置爲主程序.
第二步 確認輸入輸出
填寫模型的輸入輸出參數. 以房價預測的線性迴歸模型爲例(參數參考), 添加參數如下圖所示.
第三步 製作參數轉換器
參數轉換器幫助用戶轉化合法輸入並完成數據預處理.
方式一:自定義轉換器(Python2.7)(推薦).
輸入參數轉換器方法
輸出參數轉換器方法
轉換器代碼示例, 以房價預測爲例.
輸入參數轉換器:
輸出參數轉換器:
方式二: 默認參數, 不設置轉換器.
用戶的API參數直接傳遞給模型.
第四步 沙盒部署
用戶可以同時部署之多五個沙盒服務, 用來對比模型優化結果.
錄入名稱點擊【生成沙盒】或者點擊【暫存】將沙盒保存到草稿箱.
測試沙盒服務
對沙盒列表中的沙盒服務進行測試，驗證是否配置正確。
第一步 點擊【測試】打開測試頁面
第二步 填寫json格式請求參數
第三步 點擊【發送】檢驗返回結果
部署在線服務
點擊【正式部署】部署線上API.
一個項目可以創建五個沙盒服務, 並選擇其中一個沙盒服務部署爲線上服務.
沙盒服務如果連續超過24小時無調用將自動調整爲暫停狀態.
線上服務如果連續超過14天無調用將自動調整爲暫停狀態.
調用在線服務
依據API key、服務地址和用戶自定義參數, 實現對服務的調用.
請求方式
HTTP請求URL: [服務地址] [?] [apiKey=xxx]
HTTP請求方法: POST
HTTP Body: 用戶自定義參數
調用示例
以房價預測項目爲例.
CURL
Python
以上，就是今天要給大家介紹的，在線部署及預測功能，大家都來試試吧~！