目录

一、内容介绍

1.Onnx模型

①skl2onnx库安装

2.Netron安装

二、模型构建

1.数据加载

2.划分可训练特征与预测标签

3.训练模型

①第三方库导入

②数据集划分

③SVC模型构建

④精度评价

二、模型转换及可视化

1.参数配置

2.Onnx模型生成

3.可视化模型

四、构建Web应用程序

1.构建HTML文件

2.构建JavaScript代码

3.测试Web程序

六、总结

---

本文相关数据资源免费下载

        在本文中，你将学到： 

0 如何构建模型并将其保存为Onnx模型
1 如何使用Netron可视化模型
2 如何在Web应用中使用模型进行预测

         📈 机器学习最有用的实际用途之一是构建推荐系统，今天我们可以朝着这个方向迈出第一步！ 

一、内容介绍

        在系列8的文章中，我们构建了一个基于UFO目击事件的回归模型，对其使用pickle库进行封装打包，并基于Flask库构建了Web应用，虽然这个打包方法简单易用，但是对于大多数Web应用，其构建环境是基于JavaScript语言的，因此使用一个JavaScript打包并使用模型更容易拓展和广泛应用。

1.Onnx模型

        构建机器学习模型应用是AI业务系统中的重要组成部分。通过使用Onnx，我们可以在各种Web应用程序中使用模型。Python的第三方库skl2onnx可以帮我们把Scikit-learn模型转换为Onnx模型。

        ONNX(Open Neural Network Exchange)，开放神经网络交换，是用于在各种深度学习训练和推理框架转换的一个中间表示格式。在实际业务中，可以使用Pytorch或者TensorFlow训练模型，导出成ONNX格式，然后在转换成目标设备上支撑的模型格式，比如TensorRT Engine、NCNN、MNN等格式。ONNX定义了一组和环境，平台均无关的标准格式，来增强各种AI模型的可交互性，开放性较强。

①skl2onnx库安装

pip install -i https://mirrors.aliyun.com/pypi/simple/ skl2onnx

        看到下图信息代表安装成功：

2.Netron安装

        Netron是一个深度学习模型可视化库，其支持以下格式的模型存储文件：

ONNX (.onnx, .pb)

Keras (.h5, .keras)

CoreML (.mlmodel)

TensorFlow Lite (.tflite)

        netron并不支持pytorch通过torch.save方法导出的模型文件，因此在pytorch保存模型的时候，需要将其导出为onnx格式的模型文件，可以利用torch.onnx模块实现这一目标。

Netron安装链接

        安装好以后，双击即可运行，选中我们模型进行可视化查看。

 

二、模型构建

        首先，使用我们之前已清理的亚洲美食数据集训练SVC线性分类模型。

1.数据加载

        导入第三方库并调用查看之前处理好的亚洲美食数据集。

import pandas as pd
data = pd.read_csv('cleaned_cuisines.csv')
data.head()

2.划分可训练特征与预测标签

        删去不需要的两列数据，并将剩余数据赋值给X，同理将标签另存为Y：

X = data.iloc[:,2:]#X为可训练特征
Y = data['cuisine']#Y为预测标签

3.训练模型

①第三方库导入

        从Scikit-learn库中导入需要的函数：

from sklearn.model_selection import train_test_split#用于数据集的划分
from sklearn.svm import SVC#SVC模型
from sklearn.model_selection import cross_val_score#
from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report#调用精度评价函数

②数据集划分

        将数据集以7：3的比例划分为训练集与测试集：

X_train, X_test, Y_train, Y_test = train_test_split(X,Y,test_size=0.3)

③SVC模型构建

        构建一个SVC模型，核函数为“linear”。使用划分好的训练集数据进行模型训练。

model = SVC(kernel='linear', C=10, probability=True,random_state=0)
model.fit(X_train,Y_train.values.ravel())

④精度评价

        用训练好的模型预测出预测标签Y_pred，并打印出精度评价表。

Y_pred = model.predict(X_test)
print(classification_report(Y_test,Y_pred))

二、模型转换及可视化

        在前文中，我们以及训练好了SVC模型，其精度达到了79%。现在我们需要将模型转换为Onnx格式。

确保使用正确的张量数进行转换，此数据集中有380个特征，因此我们需要在FloatTensorType函数中设定好特征数量。

1.参数配置

        配置好Onnx模型参数，如数据类型为Float，数据类型为[1,380]的张量。

from skl2onnx import convert_sklearn
from skl2onnx.commmon.data_types import FloatTensorType
initial_type = [('float_input',FloatTensorType([None, 380]))]
options = {id(model):{'nocl': True, 'zipmap': False}}

2.Onnx模型生成

        基于以上参数生成Onnx模型并保存在model.onnx文件中：

onx = convert_sklearn(model, initial_types=initial_type, options=options)
with open("model.onnx", "wb") as f:
    f.write(onx.SerializeToString())

        现在，我们可以在文件夹中看到Onnx模型。

 

3.可视化模型

        Onnx模型结构在代码中看起来并不是很明显，我们Netron软件来可视化模型。打开Netron软件，点击Open model，加载模型，选择我们刚刚生成的model.onnx文件。

        可以看到，模型的结构已被可视化，其中列出了380个特征输入与所用的分类器。我们可以点击不同的部分查看其数据类型，输出结果类型以及参数配置。

四、构建Web应用程序

        现在，我们已经准备在Web应用程序上使用此模型，首先，我们先构建一个Web应用程序。

1.构建HTML文件

        在文件夹下新建index.html，加入以下代码：（简单的Web代码，有点前端基础应该都能看懂）

        <div class="boxCont">
            <input type="checkbox" value="247" class="checkbox">
            <label>pear</label>
        </div>
    
        <div class="boxCont">
            <input type="checkbox" value="77" class="checkbox">
            <label>cherry</label>
        </div>

        <div class="boxCont">
            <input type="checkbox" value="126" class="checkbox">
            <label>fenugreek</label>
        </div>

        <div class="boxCont">
            <input type="checkbox" value="302" class="checkbox">
            <label>sake</label>
        </div>

        <div class="boxCont">
            <input type="checkbox" value="327" class="checkbox">
            <label>soy sauce</label>
        </div>

        <div class="boxCont">
            <input type="checkbox" value="112" class="checkbox">
            <label>cumin</label>
        </div>
    </div>
    <div style="padding-top:10px">
        <button onClick="startInference()">预测</button>
    </div> 
</body>

tip:我们可以看到每个复选框都有一个值value，这个值是食材特征在模型张量中对应的索引。 

2.构建JavaScript代码

        在标签下方继续构建JavaScript脚本。

<script src="https://cdn.jsdelivr.net/npm/onnxruntime-web@1.9.0/dist/ort.min.js"></script> 
<script>
		//创建一个380的向量，并全部赋值为0
		const ingredients = Array(380).fill(0);
		//定义全局检查变量，用于获取复选框值    
		const checks = [...document.querySelectorAll('.checkbox')];
		//foreach语句是for语句特殊情况下的增强版本，简化了编程，提高了代码的可读性和安全性。    
		checks.forEach(check => {
		    check.addEventListener('change', function() {
		            // toggle the state of the ingredient
		            // based on the checkbox's value (1 or 0)
		        ingredients[check.value] = check.checked ? 1 : 0;
		    });
		});
		//定义函数，检查check列表中是否有复选框被勾选，有则返回Ture，否则False
		function testCheckboxes() {
		        
		    return checks.some(check => check.checked);
		}
		//构建异步加载函数
		async function startInference() {
		
		    let atLeastOneChecked = testCheckboxes()
		
		    if (!atLeastOneChecked) {
		        alert('请至少勾选一个复选框.');
		        return;
		    }
		    try {
		        // 创建一个新的 sessio加载模型.    
		        const session = await ort.InferenceSession.create('model.onnx');
				alert('模型加载成功！')
				//创建一个[1，380]的张量对象
		        const input = new ort.Tensor(new Float32Array(ingredients), [1, 380]);
		        const feeds = { float_input: input };
				alert('参数输入成功！')
		       //输入模型session并开始预测，将结果赋值给results
		        const results = await session.run(feeds);
		
		            //读取results的值并以弹出框的形式展示结果
		        alert('你可以享受' + results.label.data[0] + ' 的美味!')
		
		    } catch (e) {
		        console.log(`模型加载失败！`);
		        console.error(e);
		    }
		}
		           
</script>

        代码解析：

0 我们首先创建了一个包含380个值的数组，值默认全为0，这些值需要设置好后输入到模型进行预测，我们可以通过是否勾选复选框来更改某些参数。

1 我们创建了一个复选框数组，当我们选中该复选框时，数组中对应位置的值则会发生变化，变为1。默认为0。

2 我们创建了一个函数testCheckboxes，用于检查是否选中复选框。

3 当按下按钮时，该函数被调用，如果存在被选中的复选框，则加载模型，开始预测结果。

3.测试Web程序

        在文件夹中选中双击我们建立的index.html软件，稍等片刻可以看到，界面已经加载出来。输入参数即可运行。

        部分读者可能运行后没有效果，因为引入的js代码网站有墙。禁止访问，导致引入超时。读者可自行下载相关JavaScript代码，进行本地调用。

        🏆🏆至此，我们的Web应用测试成功！你可以将其部署到你的服务器上或者硬件上😁。

六、总结

        在本文中，我们基于之前的亚洲美食数据集构建了SVC模型，并介绍了模型可视化工具Netron与Onnx模型格式的使用。与之前基于Python的pkl格式模型相比，Onnx格式的模型适用性更好，可以在多个平台使用。且OnnxRuntime拥有各种语言的API，💻我们可以在各个环境中部署机器学习模型应用！

 

---

   如果觉得我的文章对您有帮助，三连+关注便是对我创作的最大鼓励！

“本站所有文章均为原创，欢迎转载，请注明文章出处:https://blog.csdn.net/qq_45590504/category_11752103.html?spm=1001.2014.3001.5482百度和各类采集站皆不可信，搜索请谨慎鉴别。技术类文章一般都有时效性，本人习惯不定期对自己的博文进行修正和更新，因此请访问出处以查看本文的最新版本。”

​系列文章

机器学习系列0 机器学习思想_GISer Liu的博客-CSDN博客

机器学习系列1 机器学习历史_GISer Liu的博客-CSDN博客

机器学习系列2 机器学习的公平性_GISer Liu的博客-CSDN博客_公平机器学习

机器学习系列3 机器学习的流程_GISer Liu的博客-CSDN博客

机器学习系列4 使用Python创建Scikit-Learn回归模型_GISer Liu的博客-CSDN博客

机器学习系列5 利用Scikit-learn构建回归模型：准备和可视化数据（保姆级教程）_GISer Liu的博客-CSDN博客
机器学习系列6 使用Scikit-learn构建回归模型：简单线性回归、多项式回归与多元线性回归_GISer Liu的博客-CSDN博客_多元多项式回归机器学习系列7 基于Python的Scikit-learn库构建逻辑回归模型_GISer Liu的博客-CSDN博客

机器学习系列8 基于Python构建Web应用以使用机器学习模型_GISer Liu的博客-CSDN博客

一文读懂机器学习分类全流程_GISer Liu的博客-CSDN博客