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
保存训练好的模型
这部分内容有帮助吗？
- Save and load Keras models, Neel Kovelamudi, Francois Chollet, 2023 - TensorFlow 官方指南，详细介绍使用 TensorFlow 原生 SavedModel 格式和 H5 格式保存 Keras 模型的方法，这对于深度学习模型部署很重要。
- Saving and Loading Models, Matthew Inkawhich, 2018 (PyTorch Foundation) - PyTorch 官方教程，解释了保存和加载 PyTorch 模型的方法，这对于深度学习模型的持久化至关重要。