定义预测端点

一个基本的 Flask 应用正在运行，其内存中已使用 pickle 或 joblib 等方法加载了训练好的机器学习 (machine learning)模型。那么，如何才能 真正使用 这个模型呢？另一个程序又该怎样向该应用发送数据并获得预测结果呢？

这就是“端点”的作用所在。可以把你的 Flask 应用看作一个小型网络服务器。端点就像服务器上的一个特定地址或 URL 路径，专门用来处理某一类请求。当外部客户端（例如网页浏览器、移动应用或另一个后端服务）向该特定 URL 路径发送请求时，Flask 就会知道你的 Python 代码中哪一部分应该处理它。

使用 @app.route() 将 URL 映射到函数

Flask 通过一项名为“装饰器”的功能，使定义这些端点变得非常直接简单。具体来说，我们使用 @app.route() 装饰器。Python 中的装饰器是一种特殊的函数，用于修改或增强另一个函数。在 Flask 中，@app.route() 直接放在标准 Python 函数定义的上方。它的作用是告诉 Flask：“每当针对括号内指定的 URL 路径的 Web 请求到来时，就执行紧随其后定义的函数。”

让我们来看具体例子。我们想创建一个专门处理预测请求的端点。为此，一个常用且具有描述性的 URL 路径是 /predict。这是你开始在 Flask 应用文件（通常命名为 app.py 或类似名称）中定义它的方式：

# 假设 'app' 是你的 Flask 应用实例，已像这样创建：
# from flask import Flask
# app = Flask(__name__)

# 同时假设 'model' 是你已加载的机器学习模型

# 定义预测端点
@app.route('/predict')
def handle_prediction():
    # 此函数最终将包含预测逻辑
    # 目前，它只返回一个简单的文本消息
    return "Prediction requests will be handled here."

# （你的 app.run() 调用会放在其他地方，通常在文件末尾）

在这段代码中：

1. @app.route('/predict')：这是装饰器。它向 Flask 注册 URL 路径 /predict。
2. def handle_prediction():：这是当请求到达 /predict 时 Flask 将执行的普通 Python 函数。我们给了它一个描述性的名称，handle_prediction。
3. return "Prediction requests will be handled here."：目前，此函数只返回一个基本字符串。稍后，我们将修改它来执行实际的预测。

选择正确的 HTTP 方法：GET 与 POST

Web 通信依赖于 HTTP 方法（也称为动词）来指示请求的预期操作。你最初会遇到的两种最常见方法是 GET 和 POST。

• GET：主要用于获取数据。当你在浏览器的地址栏中输入 URL 时，通常就是在发出 GET 请求。数据通常直接在 URL 本身中传递（作为查询参数 (parameter)，例如 ?name=value）。
• POST：主要用于向服务器发送数据以创建或更新资源，或触发需要输入数据的过程。数据在请求的 正文 中发送，通常在 URL 中不可见。

对于使用机器学习 (machine learning)模型进行预测，我们几乎总是需要发送输入数据（模型期望的特征）。这些输入数据有时可能很复杂或很大（例如图像数据或长文本 (long context)）。在 URL 中发送这些数据（就像 GET 可能做的那样）是不切实际的，而且通常有长度限制。因此，预测端点的标准做法是使用 POST 方法。客户端将在请求正文中发送输入特征，通常以 JSON 格式（我们将在下一节中介绍）。

我们如何告诉 Flask 我们的 /predict 端点只响应 POST 请求呢？我们通过添加 methods 参数来修改 @app.route() 装饰器：

from flask import Flask # 确保 Flask 已导入

# 假设 app = Flask(__name__) 且模型已加载

@app.route('/predict', methods=['POST']) # 指定此路由接受 POST 请求
def predict(): # 函数名可以是任何东西，'predict' 是常用名称
    # --- 占位逻辑 ---
    # 1. 稍后我们将在此处添加代码以从 POST 请求中获取输入数据。
    # 2. 稍后我们将在此处添加代码以使用 'model' 进行预测。
    # 3. 稍后我们将在此处添加代码以格式化并返回预测结果。
    # --- 占位逻辑结束 ---

    # 目前，只需确认端点通过 POST 请求到达
    return "Received a POST request on /predict"

# （如果这是你的主脚本，请记住包含 app.run()）
# if __name__ == '__main__':
#     # 如果模型尚未全局加载，请先在此处加载你的模型
#     # e.g., model = joblib.load('your_model.pkl')
#     app.run(debug=True) # debug=True 在开发过程中很有用

现在，我们的 Flask 应用知道函数 predict() 只应在 POST 请求到达 /predict URL 路径时执行。如果有人尝试使用 GET 请求访问 /predict（例如，直接在浏览器中输入），Flask 通常会返回一个错误，指示该方法不被允许。

你已经成功定义了预测请求进入应用所通过的特定“大门”（即使用 POST 方法的 /predict）。接下来的步骤是在 predict() 函数内部编写代码，以实际处理传入数据、使用模型并返回有意义的响应。