如何使用PHP部署機器學習模型並實現在線服務化

M66 2025-06-19

引言：

隨著人工智能的迅猛發展，機器學習模型的應用已滲透到各個領域。然而，對於開發者而言，如何將訓練好的機器學習模型高效部署到線上環境並提供服務化接口，仍然是一個值得探討的問題。本文將詳細講解如何使用PHP實現機器學習模型的在線部署與服務化，幫助開發者在PHP環境中實現機器學習功能。

一、環境搭建

為了實現機器學習模型的在線部署與服務化，首先需要搭建一個PHP開發環境。可以使用XAMPP、WampServer等工具來創建本地PHP開發環境，確保我們可以在本地編寫和運行PHP代碼。

二、準備訓練好的機器學習模型

在構建在線部署服務之前，需要先準備一個已經訓練好的機器學習模型。通常，可以通過Python等語言或框架進行模型訓練，並將訓練好的模型保存為文件格式。在此示例中，我們將使用一個簡單的圖像分類模型，並將其保存為`.h5`文件格式。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, MaxPooling2D, Flatten
<h1>構建模型</h1>
<p>model = Sequential()<br>
model.add(Conv2D(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(Dense(10, activation=&#39;softmax&#39;))</p>
<h1>編譯模型</h1>
<p>model.compile(optimizer=&#39;adam&#39;, loss=&#39;categorical_crossentropy&#39;, metrics=[&#39;accuracy&#39;])</p>
<h1>訓練模型</h1>
<p>...</p>
<h1>保存模型</h1>
<p>model.save(&#39;model.h5&#39;)<br>

三、使用PHP加載模型並進行預測

在PHP中，我們可以通過一些第三方庫來加載並使用Python訓練好的模型。這裡，我們將介紹如何通過TensorFlow Serving來加載模型，並利用PHP進行預測。

首先，需要在PHP中安裝TensorFlow Serving PHP擴展。通過composer可以方便地安裝：

composer require tensorflow-serving-api-php

接下來，編寫一個PHP腳本，加載模型並執行預測操作：

<?php
require 'vendor/autoload.php';
<p>use TensorFlowServingPredictRequest;<br>
use TensorFlowServingPredictResponse;<br>
use GuzzleHttp\Client;</p>
<p>// 定義請求數據<br>
$request = new PredictRequest();<br>
$request->setModelSpecName(&#39;model&#39;);<br>
$request->setModelSpecSignatureName(&#39;serving_default&#39;);</p>
<p>// 轉換輸入數據<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>// 發送請求<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>// 獲取預測結果<br>
$outputs = $response->getOutputs();<br>
$prediction = reset($outputs)[&#39;floatVal&#39;][0];<br>

在上述代碼中，我們定義了一個PredictRequest對象，並設置了模型名稱與簽名。接著，我們將輸入數據轉換為符合模型要求的格式，並通過TensorFlow Serving的REST API接口發送請求，最終從返回結果中提取預測數據。

四、將PHP腳本部署到線上環境

完成模型加載與預測操作後，可以將PHP腳本部署到線上環境，並提供Web接口供其他系統調用。常用的Web服務器如Apache或Nginx都可以支持PHP腳本部署。

以下是在Ubuntu服務器上安裝並啟動Apache的示例命令：

sudo apt-get install apache2
sudo service apache2 start

將PHP腳本保存為.php文件，並放置在Apache的Web根目錄中。之後，您可以通過訪問特定URL來進行機器學習模型的在線預測。

總結：

本文詳細介紹瞭如何使用PHP實現機器學習模型的在線部署與服務化。通過搭建PHP開發環境、準備訓練好的模型、使用PHP加載模型並進行預測，最終將PHP腳本部署到線上環境，開發者可以輕鬆地將機器學習模型服務化，並為外部系統提供預測功能。希望本文能幫助您在PHP環境中成功部署機器學習模型，實現更強大的應用功能。