Django - это инструмент веб-разработки с открытым исходным кодом, который позволяет пользователям разрабатывать и развертывать веб-приложения на чистом Python. Его простота и огромная коллекция библиотек позволяют разработчикам Python создавать и масштабировать веб-приложения за считанные минуты. По мере того, как машинное обучение становится все лучше, гонка за его внедрение в веб-приложения и мобильные приложения быстро растет. В этой статье я покажу вам, как можно реализовать модуль машинного обучения в проекте веб-приложения.
Итак, мы создали новый проект Django, назовем его для целей этой статьи flowerfinder, и нам удалось обучить классификатор Deep Learning, который способен обнаруживать различные виды цветов с высокой точностью. Ваша цель - каким-то образом объединить ваше новое приложение flowerID с классификатором в единое целое. Файловое дерево вашего проекта и приложения должно нравиться или, по крайней мере, быть похожим на то, что у меня ниже.
Теперь перейдите в каталог flowerfinder и создайте новую папку с именем lib. В каталоге lib создайте новую папку с именем ML_model. Прежде чем мы сможем использовать какое-либо приложение машинного обучения в нашем проекте веб-разработки, необходимо сначала сохранить наш предварительно обученный модуль. Самый простой способ сделать это - сохранить его как файл pickle, а затем загрузить позже. Но с более тяжелыми модулями pickle, вероятно, будет не лучшим выбором, и вы, вероятно, столкнетесь с проблемами производительности. Pytorch, например, позволяет вам сохранять состояние dicts вашего обученного модуля с помощью всего нескольких строк кода. Модель машинного обучения следует сохранить в папке ML_model. теперь вы готовы к интеграции. Прежде чем ваши пользователи смогут испытать всю мощь ИИ в вашем новом приложении, вы должны создать экземпляр модели в views.py в каталоге flowerID. Это можно сделать разными способами, но я покажу самый простой. Сохраните модуль ML как файл pickle, импортируйте библиотеку pickle в views.py, затем загрузите модуль машинного обучения, который вы сохранили в каталоге ML_model. теперь вы можете делать те же прогнозы, которые делали во время обучения, с помощью таких же команд, как model.predict (some_image) в views.py.
Теперь, когда ваша модель машинного обучения интегрирована в ваше приложение, вы захотите отображать результаты для своих пользователей. Представление API Django rest framework - отличный инструмент для использования. Это поможет обрабатывать данные в веб-формате, таком как json, который может быть получен с помощью html-страницы с помощью ajax. то, что вы хотите показать своим пользователям, может быть разнообразным, поэтому вы получите больше возможностей.
Поздравляем, вы использовали возможности AI / ML в своем проекте веб-разработки.
.
