機械学習モデルを展開し、PHPを使用してオンラインサービスを実装する方法

M66 2025-06-19

導入：

人工知能の急速な発展により、機械学習モデルの適用はさまざまな分野に浸透しています。ただし、開発者にとっては、訓練された機械学習モデルをオンライン環境に効率的に展開し、サービス指向のインターフェイスを提供する方法は、議論する価値のある質問です。この記事では、PHPを使用してオンライン展開と機械学習モデルのサービスを実装する方法を詳細に説明し、PHP環境で開発者が機械学習機能を実装するのに役立ちます。

1。環境構築

機械学習モデルのオンライン展開とサービスを実現するためには、最初にPHP開発環境を構築する必要があります。 XAMPP、WampServer、その他のツールを使用して、ローカルPHP開発環境を作成して、PHPコードをローカルで書き込み、実行できるようにすることができます。

2。訓練された機械学習モデルを準備します

オンライン展開サービスを構築する前に、訓練された機械学習モデルを準備する必要があります。一般に、モデルトレーニングは、Pythonなどの言語またはフレームワークを介して実行でき、トレーニングモデルをファイル形式に保存できます。この例では、単純な画像分類モデルを使用して、 `.h5`ファイル形式として保存します。

tfとしてtensorflowをインポートします
tensorflow.keras.modelsからインポートシーケンシャルから
Tensorflow.keras.layersからImport dense、conv2d、maxpooling2d、flattenから
<h1>モデルの構築</h1>
<p>Model = sequential（）<br>
Model.Add（conv2d（32、（3、3）、activation = &#39;lelu&#39;、input_shape =（28、28、1）））<br>
model.add（maxpooling2d（（2、2）））<br>
model.add（flatten（））<br>
model.add（10、activation = &#39;softmax&#39;））</p>
<h1>モデルをコンパイルします</h1>
<p>model.compile（optimizer = &#39;adam&#39;、loss = &#39;categorical_crossentropy&#39;、metrics = [&#39;quarcity&#39;]）</p>
<h1>モデルのトレーニング</h1>
<p>...</p>
<h1>モデルを保存します</h1>
<p>model.save（ &#39;model.h5&#39;）<br>

3. PHPを使用してモデルをロードし、予測を行います

PHPでは、一部のサードパーティライブラリを介してPythonトレーニングモデルをロードおよび使用できます。ここでは、Tensorflowサービングを介してモデルをロードする方法を紹介し、PHPを使用して予測します。

まず、PHPにPHP拡張機能を提供するTensorflowをインストールする必要があります。作曲家は簡単にインストールできます：

作曲家は、Tensorflow-Serving-API-PHPを必要とします

次に、PHPスクリプトを書き、モデルをロードし、予測操作を実行します。

<?php
require 'vendor/autoload.php';
<p>tensorflowservingpredictre -equestを使用します。<br>
Tensorflowsinvingpredictresponseを使用します。<br>
guzzlehttp \ clientを使用します。</p>
<p>//必要とするデータを意味します<br>
$ request = new Predictrequest（）;<br>
$ request-> setModelspecname（ &#39;Model&#39;）;<br>
$ request-> setModelspecsignatureName（ &#39;servinving_default&#39;）;</p>
<p>//入力データを変換します<br>
$ input = [<br>
&#39;image&#39; => [<br>
&#39;b64&#39; => base64_encode（file_get_contents（ &#39;image.jpg&#39;））<br>
]<br>
];<br>
$ request-> setInputs（$ input）;</p>
<p>//リクエストを送信します<br>
$ client = new Client（[&#39;base_uri&#39; => &#39;http：// localhost：8501&#39;]）;<br>
$ response = $ client-> post（ &#39;/v1/models/model：predict&#39;、[<br>
&#39;headers&#39; => [&#39;content-type&#39; => &#39;application/json&#39;]、<br>
&#39;body&#39; => $ request-> serializetostring（）<br>
]）;</p>
<p>$ response = new Predictresponse（$ response-> getBody（） - > getContents（））;</p>
<p>//予測の結果を得るします<br>
$ outputs = $ response-> getOutputs（）;<br>
$ prediction = reset（$ outputs）[&#39;floatval&#39;] [0];<br>

上記のコードでは、推定のないオブジェクトを定義し、モデル名と署名を設定します。次に、入力データをモデル要件を満たす形式に変換し、TensorflowサービングのREST APIインターフェイスを介して要求を送信し、最後に返された結果から予測データを抽出します。

4。オンライン環境にPHPスクリプトを展開します

モデルの読み込みと予測操作を完了した後、PHPスクリプトはオンライン環境に展開し、他のシステム呼び出しにWebインターフェイスを提供できます。 ApacheやNginxなどの一般的に使用されるWebサーバーは、PHPスクリプトの展開をサポートできます。

UbuntuサーバーでApacheをインストールして開始するためのコマンドの例は次のとおりです。

sudo apt-getインストールapache2
sudoサービスapache2始める

PHPスクリプトを.phpファイルとして保存し、ApacheのWebルートディレクトリに配置します。その後、特定のURLにアクセスすることにより、機械学習モデルのオンライン予測を行うことができます。

要約：

この記事では、PHPを使用して機械学習モデルのオンライン展開とサービス化を実装する方法を詳細に紹介します。 PHP開発環境を構築し、訓練されたモデルを準備し、PHPを使用してモデルをロードして予測を行い、最終的にオンライン環境にPHPスクリプトを展開することにより、開発者は機械学習モデルを簡単に提供し、外部システムの予測機能を提供できます。この記事が、PHP環境で機械学習モデルをうまく展開し、より強力なアプリケーション機能を実現できることを願っています。