趋近智
机器学习部署概论
章节 1: 模型部署入门
什么是机器学习部署？
为什么要部署机器学习模型？
机器学习工作流程概述
部署策略的类型 (简介)
模型部署中的挑战
章节 2: 为模型部署做准备
保存训练好的模型
模型序列化简介
使用 Pickle 保存模型
使用 Joblib 保存模型
处理模型依赖
保存预处理步骤
动手实践：保存和加载简单模型
章节 3: 使用 Flask 创建预测服务
什么是API？
Web框架简介
设置 Flask
构建一个基础的 Flask 应用
在 Flask 中加载已保存的模型
定义预测端点
处理输入数据 (JSON)
返回预测结果
在本地测试你的 API
动手实践：构建一个简单的Flask预测API
章节 4: Docker 容器化简介
什么是容器化？
Docker 入门
Docker 核心理念：镜像与容器
安装 Docker
编写一个简单的Dockerfile
为Flask应用构建Docker镜像
在 Docker 容器中运行应用
动手实践：容器化预测服务
模型序列化简介
这部分内容有帮助吗？
pickle- Python object serialization, Python Software Foundation, 2024 - Python内置序列化模块的官方文档，说明其功能和对象持久化存储的用法。joblib- Running Python functions as pipeline jobs, `joblib` developers, 2024 -joblib库的官方文档，强调其对大型数值数组的效率以及在机器学习模型持久化中的应用。- Persistence, Scikit-learn developers, 2024 - 一个广泛使用的Scikit-learn机器学习库提供的实用指南，关于如何保存和加载模型，通常推荐使用
joblib或pickle。 - Machine Learning Design Patterns, Valliappa Lakshmanan, Sara Robinson, and Michael Munn, 2020 (O'Reilly Media) - 本书介绍了构建可靠和可扩展的机器学习系统的设计模式，包括模型部署和序列化的方法。