PHP를 사용하여 기계 학습 모델을 배포하고 온라인 서비스를 구현하는 방법

M66 2025-06-19

소개:

인공 지능의 빠른 발전으로 기계 학습 모델의 적용은 다양한 분야로 침투했습니다. 그러나 개발자의 경우 훈련 된 기계 학습 모델을 온라인 환경에 효율적으로 배포하고 서비스 지향 인터페이스를 제공하는 방법은 여전히 논의 할 가치가 있습니다. 이 기사는 PHP를 사용하여 기계 학습 모델의 온라인 배포 및 서비스를 구현하는 방법에 대해 자세히 설명하여 개발자가 PHP 환경에서 기계 학습 기능을 구현할 수 있도록 도와줍니다.

1. 환경 구성

기계 학습 모델의 온라인 배포 및 서비스를 실현하려면 먼저 PHP 개발 환경을 구축해야합니다. XAMPP, WAMPSERVER 및 기타 도구를 사용하여 로컬 PHP 개발 환경을 만들어 현지에서 PHP 코드를 작성하고 실행할 수 있습니다.

2. 숙련 된 기계 학습 모델을 준비하십시오

온라인 배포 서비스를 구축하기 전에 숙련 된 기계 학습 모델을 준비해야합니다. 일반적으로 모델 교육은 Python과 같은 언어 나 프레임 워크를 통해 수행 될 수 있으며 숙련 된 모델을 파일 형식으로 저장할 수 있습니다. 이 예에서는 간단한 이미지 분류 모델을 사용하여`.h5` 파일 형식으로 저장합니다.

텐서 플로우를 tf로 가져옵니다
tensorflow.keras에서 모드를 순차적으로 가져옵니다
Tensorflow.keras.layers에서 밀도가 높고 Concl2d, MaxPooling2d, Flatten을 가져옵니다
<h1>모델 구축</h1>
<p>model = 순차 ()<br>
model.add (concl2d (32, (3, 3), activation = &#39;relu&#39;, input_shape = (28, 28, 1))))<br>
model.add (maxpooling2d ((2, 2)))<br>
model.add (flatten ())<br>
model.add (밀도 (10, activation = &#39;softmax&#39;)))</p>
<h1>모델을 컴파일하십시오</h1>
<p>model.compile (Optimizer = &#39;Adam&#39;, Loss = &#39;Carementorical_crossentropy&#39;, metrics = [ &#39;정확도&#39;]))))</p>
<h1>모델 훈련</h1>
<p>...</p>
<h1>모델을 저장하십시오</h1>
<p>model.save ( &#39;model.h5&#39;)<br>

3. PHP를 사용하여 모델을로드하고 예측하십시오.

PHP에서는 일부 타사 라이브러리를 통해 Python 훈련 된 모델을로드하고 사용할 수 있습니다. 여기서는 텐서 플로우 서빙을 통해 모델을로드하는 방법을 소개하고 예측을 위해 PHP를 사용합니다.

먼저 PHP에 PHP 확장 기능을 제공하는 텐서 플로우를 설치해야합니다. 작곡가를 쉽게 설치할 수 있습니다.

작곡가에는 텐서 플로우 서빙 -Api-php가 필요합니다

다음으로 PHP 스크립트를 작성하고 모델을로드하고 예측 작업을 수행하십시오.

<?php
require 'vendor/autoload.php';
<p>TensorflowservingPredictRequest를 사용하십시오.<br>
TensorFlowservingPredicTresponse를 사용하십시오.<br>
guzzlehttp \ client를 사용하십시오.</p>
<p>// 요청 데이터를 정의합니다<br>
$ request = new PredictRequest ();<br>
$ request-> setModelSpecName ( &#39;model&#39;);<br>
$ request-> setmodelspecsignaturename ( &#39;serving_default&#39;);</p>
<p>// 입력 데이터를 변환합니다<br>
$ input = [<br>
&#39;이미지&#39;=> [<br>
&#39;b64&#39;=> base64_encode (file_get_contents ( &#39;image.jpg&#39;))<br>
]]<br>
];<br>
$ request-> setInputs ($ input);</p>
<p>// 요청을 보냅니다<br>
$ client = new Client ([ &#39;base_uri&#39;=> &#39;http : // localhost : 8501&#39;]);<br>
$ response = $ client-> post ( &#39;/v1/model/model : predict&#39;, [<br>
&#39;헤더&#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>// 예측 결과를 얻습니다<br>
$ outputs = $ response-> getoutputs ();<br>
$ prediction = Reset ($ outputs) [ &#39;floatVal&#39;] [0];<br>

위의 코드에서는 Predictrequest 객체를 정의하고 모델 이름과 서명을 설정합니다. 다음으로 입력 데이터를 모델 요구 사항을 충족하는 형식으로 변환하고 TensorFlow 서빙의 나머지 API 인터페이스를 통해 요청을 보내고 마지막으로 반환 된 결과에서 예측 된 데이터를 추출합니다.

4. 온라인 환경에 PHP 스크립트를 배포하십시오

모델로드 및 예측 작업을 완료 한 후 PHP 스크립트를 온라인 환경에 배포하고 다른 시스템 호출에 대한 웹 인터페이스를 제공 할 수 있습니다. Apache 또는 Nginx와 같은 일반적으로 사용되는 웹 서버는 PHP 스크립트 배포를 지원할 수 있습니다.

Ubuntu 서버에서 Apache를 설치하고 시작하는 예제 명령은 다음과 같습니다.

sudo apt-get install apache2
Sudo Service Apache2 시작

PHP 스크립트를 .php 파일로 저장하고 Apache의 웹 루트 디렉토리에 배치하십시오. 그런 다음 특정 URL에 액세스하여 기계 학습 모델을 온라인으로 예측할 수 있습니다.

요약 :

이 기사는 PHP를 사용하여 기계 학습 모델의 온라인 배포 및 서비스를 구현하는 방법을 자세히 소개합니다. PHP 개발 환경을 구축하고, 숙련 된 모델을 준비하고, PHP를 사용하여 모델을로드하고 예측하고, 최종적으로 PHP 스크립트를 온라인 환경에 배포함으로써 개발자는 머신 러닝 모델을 쉽게 제공하고 외부 시스템에 대한 예측 기능을 제공 할 수 있습니다. 이 기사가 PHP 환경에서 기계 학습 모델을 성공적으로 배포하고보다 강력한 응용 프로그램 기능을 달성하는 데 도움이되기를 바랍니다.