Aktueller Standort: Startseite> Neueste Artikel> Bereitstellung maschineller Lernmodelle und implementieren Online -Service mit PHP

Bereitstellung maschineller Lernmodelle und implementieren Online -Service mit PHP

M66 2025-06-19

Einführung:

Mit der schnellen Entwicklung künstlicher Intelligenz ist die Anwendung von Modellen für maschinelles Lernen in verschiedene Bereiche eingedrungen. Für Entwickler ist es jedoch immer noch eine Frage, die es wert ist, geschulte maschinelle Lernmodelle in Online-Umgebungen für maschinelle Lernen in Online-Umgebungen einzusetzen und dienstorientierte Schnittstellen bereitzustellen. In diesem Artikel wird ausführlich erläutert, wie PHP zur Implementierung der Online -Bereitstellung und des Dienstes maschineller Lernmodelle verwendet wird und Entwicklern dabei hilft, Funktionen für maschinelles Lernen in der PHP -Umgebung zu implementieren.

1. Umweltkonstruktion

Um die Online -Bereitstellung und den Service von Modellen für maschinelles Lernen zu verwirklichen, ist es zunächst erforderlich, eine PHP -Entwicklungsumgebung aufzubauen. Sie können XAMPP, WampServer und andere Tools verwenden, um eine lokale PHP -Entwicklungsumgebung zu erstellen, um sicherzustellen, dass wir PHP -Code lokal schreiben und ausführen können.

2. Bereiten Sie ein geschultes maschinelles Lernmodell vor

Bevor Sie einen Online -Bereitstellungsdienst erstellen, müssen Sie ein geschultes maschinelles Lernmodell vorbereiten. Im Allgemeinen kann Modelltraining durch Sprachen oder Frameworks wie Python durchgeführt und das geschulte Modell in einem Dateiformat gespeichert werden. In diesem Beispiel verwenden wir ein einfaches Bildklassifizierungsmodell und speichern es als "H5` -Dateiformat".
Tensorflow als TF importieren
von TensorFlow.keras.models sequentiell importieren
aus Tensorflow.keras.layers Import Dicht, conv2d, maxpooling2d, flacher
<h1>Ein Modell aufbauen</h1>
<p>Modell = sequentiell ()<br>
model.add (conv2d (32, (3, 3), active = &#39;relu&#39;, input_shape = (28, 28, 1)))<br>
model.add (maxpooling2d ((2, 2)))<br>
model.add (flacher ())<br>
model.add (dichter (10, activation = &#39;Softmax&#39;))</p>
<h1>Kompilieren Sie das Modell</h1>
<p>model.comPile (optimizer = &#39;adam&#39;, Loss = &#39;Categorical_crossentropy&#39;, Metrics = [&#39;Genauigkeit&#39;])</p>
<h1>Training des Modells</h1>
<p>...</p>
<h1>Speichern Sie das Modell</h1>
<p>model.save (&#39;model.h5&#39;)<br>

3.. Verwenden Sie PHP, um das Modell zu laden und Vorhersagen zu treffen

In PHP können wir Python-ausgebildete Modelle durch einige Bibliotheken von Drittanbietern laden und verwenden. Hier werden wir vorstellen, wie ein Modell durch Tensorflow -Servieren geladen und PHP zur Vorhersage verwendet wird.

Zuerst müssen Sie die TensorFlow -Serving -PHP -Erweiterung in PHP installieren. Der Komponist kann einfach installiert werden:

Der Komponist benötigt TensorFlow-Sending-API-Php

Schreiben Sie als nächstes ein PHP -Skript, laden Sie das Modell und führen Sie Vorhersagevorgänge aus:

<?php
require 'vendor/autoload.php';
<p>Verwenden Sie TensorFlowseringPredicTrequest;<br>
Verwenden Sie TensorFlowseringPredicTesponse;<br>
Verwenden Sie GuzzleHttp \ Client;</p>
<p>// Anforderungsdaten definieren<br>
$ request = new PredicTrequest ();<br>
$ request-> setModelspecname (&#39;modell&#39;);<br>
$ request-> setModelSpecSignaturename (&#39;serving_default&#39;);</p>
<p>// Eingabedaten konvertieren<br>
$ input = [<br>
&#39;Bild&#39; => [<br>
&#39;B64&#39; => Basis64_Cod (Datei_get_Contents (&#39;Image.jpg&#39;)))<br>
]<br>
];<br>
$ request-> setInputs ($ input);</p>
<p>// eine Anfrage senden<br>
$ client = new client ([&#39;Base_uri&#39; => &#39;http: // localhost: 8501&#39;]);<br>
$ response = $ client-> post (&#39;/v1/models/modell: prognostizieren&#39;, [<br>
&#39;Header&#39; => [&#39;Content-Typ&#39; => &#39;Anwendung/JSON&#39;],<br>
&#39;body&#39; => $ request-> serializeToString ()<br>
]);</p>
<p>$ response = new PredicteRPonse ($ response-> getBody ()-> getContents ());</p>
<p>// Vorhersageergebnisse erhalten<br>
$ outputs = $ response-> getOutputs ();<br>
$ prediction = reset ($ outputs) [&#39;floatval&#39;] [0];<br>

Im obigen Code definieren wir ein PredicTrequest -Objekt und setzen den Modellnamen und die Signatur. Als nächstes konvertieren wir die Eingabedaten in ein Format, das den Modellanforderungen entspricht, und senden eine Anforderung über die REST -API -Schnittstelle des TensorFlow -Servierens und extrahieren schließlich die vorhergesagten Daten aus den zurückgegebenen Ergebnissen.

4. Bereitstellen Sie PHP -Skripte in Online -Umgebungen ein

Nach Abschluss der Modelllade- und Vorhersagevorgänge kann das PHP -Skript in der Online -Umgebung bereitgestellt und eine Weboberfläche für andere Systemaufrufe bereitgestellt werden. Häufig verwendete Webserver wie Apache oder NGINX können die PHP -Skriptbereitstellung unterstützen.

Hier sind die Beispielbefehle, die Apache auf einem Ubuntu -Server installieren und starten müssen:

sudo apt-get install apache2
sudo service apache2 starten

Speichern Sie das PHP -Skript als .PHP -Datei und platzieren Sie es in das Web -Root -Verzeichnis von Apache. Danach können Sie Online -Vorhersagen von maschinellen Lernmodellen durch den Zugriff auf bestimmte URLs treffen.

Zusammenfassen:

In diesem Artikel wird detailliert eingeführt, wie PHP zur Implementierung der Online -Bereitstellung und -Dienste von Modellen für maschinelles Lernen verwendet wird. Durch den Aufbau einer PHP -Entwicklungsumgebung, die Vorbereitung geschulter Modelle, die Verwendung von PHP zum Laden von Modellen und die Vorhersage und die schließlich Bereitstellung von PHP -Skripten für eine Online -Umgebung können Entwickler problemlos maschinelles Lernmodelle bedienen und Vorhersagefunktionen für externe Systeme bereitstellen. Ich hoffe, dieser Artikel kann Ihnen helfen, maschinelles Lernen in der PHP -Umgebung erfolgreich bereitzustellen und leistungsfähigere Anwendungsfunktionen zu erzielen.
Ähnlich