安装centos7.8 虚拟环境

1、镜像链接

centos-vault-centos-7.8.2003-isos-x86_64安装包下载_开源镜像站-阿里云

具体安装步骤不再赘述

2、授予普通用户 sudo 权限

su 切换到管理员

cd 到 /etc目录下，执行 gedit sudoers

加入 username ALL=(ALL) ALL 这里username是要授予sudo权限的用户名。

sudo whoami 

验证

3、换阿里源

（1）备份

mv /etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Base.repo.backup

（2）换源

curl -o /etc/yum.repos.d/CentOS-Base.repo https://mirrors.aliyun.com/repo/Centos-7.repo

运行 yum makecache，更新源

4、系统更新到最新（大概10分钟左右）

sudo yum update -y

创建项目文件夹

Home 下 创建新文件夹 myAPIProgram 用于存放部署项目，centos7.8桌面版右击创建即可

安装 Python 和其他依赖

1、安装 Python 3.8（或更高版本）

sudo yum install -y epel-release

sudo yum install centos-release-scl

修改为国内源

cd 到 /etc/yum.repos.d 目录下

# 备份
cp CentOS-SCLo-scl.repo{,.bak}
cp CentOS-SCLo-scl-rh.repo{,.bak}

编辑

sudo gedit CentOS-SCLo-scl.repo

[centos-sclo-sclo]
name=CentOS-7 - SCLo sclo
baseurl=https://mirrors.aliyun.com/centos/7/sclo/x86_64/sclo/
gpgcheck=0
enabled=1
gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-CentOS-SIG-SCLo

sudo gedit CentOS-SCLo-scl-rh.repo

[centos-sclo-rh]
name=CentOS-7 - SCLo rh
baseurl=https://mirrors.aliyun.com/centos/7/sclo/x86_64/rh/
gpgcheck=0
enabled=1
gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-CentOS-SIG-SCLo

刷新缓存

yum repolist && yum clean all && yum makecache

安装python3.8

sudo yum install rh-python38

建立软链接

sudo ln -s /opt/rh/rh-python38/root/usr/bin/python3 /usr/bin/python3
sudo ln -s /opt/rh/rh-python38/root/usr/bin/pip3 /usr/bin/pip3

查看

python3 -V

环境配置

1、创建一个新的虚拟环境

（1）cd 到新建目录中

设置文件夹权限：

sudo chmod 777 -R myAPIProgram

（2）创建一个新的虚拟环境以隔离项目依赖：

python3 -m venv api_venv01
# 激活
source api_venv01/bin/activate

2、安装Flask以及其他必要的包

pip3 install flask numpy pandas scikit-learn gunicorn

Gunicorn是一个Python WSGI HTTP服务器，专门用于部署Python Web应用程序，如Flask和Django。它通过使用预先分叉工作进程的模型来实现高效的并发处理，非常适合用于生产环境。

训练一个简单的模型

1、在vscode里面训练并生成模型

import numpy as np  
import matplotlib.pyplot as plt  
from sklearn.model_selection import train_test_split  
from sklearn.linear_model import LinearRegression  
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# 显示中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 生成x值  
np.random.seed(0)  # 为了可复现性  
x = 2 * np.random.rand(100, 1)  # 生成100个0到2之间的随机数  
  
# 根据线性关系y = 3x + 2生成y值，并加入噪声  
y = 3 * x + 2 + 0.2*np.random.randn(100, 1)  
  
# 将x和y转换为二维数组，因为scikit-learn要求输入为二维数组  
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)

# 创建线性回归模型实例  
model = LinearRegression()  
  
# 使用训练数据训练模型  
model.fit(x_train, y_train)  
  
# 预测测试集的结果  
y_pred = model.predict(x_test)

# 计算MAE
mae = mean_absolute_error(y_test, y_pred)

# 计算并打印均方误差  
mse = mean_squared_error(y_test, y_pred) 
# 计算 R2
r2 = r2_score(y_test, y_pred)

print("MAE:", mae)
print("MSE:", mse)
print("R2:", r2) 
 
print("模型系数:", model.coef_)
print("模型截距:", model.intercept_)
print("模型方程: y =", model.coef_[0][0], "* x +", model.intercept_[0])

# 可视化结果  
plt.scatter(x_test, y_test, color='black', label='实际值')  
plt.plot(x_test, y_pred, color='blue', linewidth=3, label='预测值')  
plt.xlabel('X')  
plt.ylabel('Y')  
plt.title('线性回归模型预测')  
plt.legend()  
plt.show()

结果

MAE: 0.16029109668506641

MSE: 0.036710129878857196

R2: 0.9809551843591459

模型系数: [[2.99805182]]

模型截距: [2.04126804]

模型方程: y = 2.9980518202009767 * x + 2.0412680377422876

2、借助 joblib 保存模型

from joblib import dump, load 

模型训练好之后

# 保存模型
dump(model, 'my_models/my_model.joblib')

# 加载模型
loaded_model = load('my_models/my_model.joblib')

使用加载的模型预测结果如下

构建Flask 应用

1、回到centos系统

cd 到先前创建好的目录 api_venv01 中

2、创建一个简单的 Flask 应用来加载模型并提供预测服务 app.py 文件

sudo touch app.py

编辑文件

sudo gedit app.py

# app.py
from flask import Flask, request, jsonify
from werkzeug.exceptions import BadRequest
import joblib
import pandas as pd
import numpy as np

app = Flask(__name__)

# 加载模型
model = joblib.load('my_models/my_model.joblib')

@app.route('/predict', methods=['POST'])
def predict():
    try:
        # 获取JSON数据
        input_data = request.get_json()
        #获取并验证输入数据
    
        # 预处理数据
        # 转换为DataFrame
        pd_features = pd.DataFrame(input_data, index=[0])
    
        # 预测
        prediction = model.predict(pd_features)
   
        # 返回预测结果
        return jsonify({'code':200, 'prediction': prediction.tolist()})
    except BadRequest as e:
        abort(400, description=str(e))
    except Exception as e:
        abort(500, description="服务器内部错误: " + str(e))

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000, debug=False)

3、打开防火墙

sudo firewall-cmd --permanent --add-port=5000/tcp
sudo firewall-cmd --reload

4、启动服务

主要命令

gunicorn -w 4 app:app

gunicorn -w <工作进程数> <模块名>:<应用实例名>，其中，<工作进程数>是你希望Gunicorn创建的工作进程数量，<模块名>是你的Flask应用所在的Python文件名（不包括.py后缀），<应用实例名>是你的Flask应用实例的名称。

（1）获取centos系统的ip地址

ip address

（2）更改监听地址

创建 gunicorn_config.py 文件，写入：

# gunicorn_config.py  
bind = '192.168.40.134:8000'  
workers = 4

（3）启动服务

gunicorn -c gunicorn_config.py app:app

5、apiPost访问

（1）我的访问地址为：
http://192.168.40.134:8000/predict，访问方式：post

（2）body 数据

[
  1.38494424,
  0.20408962,
  1.95291893,
  1.34127574,
  1.33353343,
  1.3636406 ,
  0.92295872,
  0.63596636
]

以上是完成了简要的部署，不包括打印日志、设置守护进程-重启自动启动，app.py中缺少数据校验

其他

每次启动都要激活虚拟环境，再运行，不利于调试，写一个shell脚本集合一起

sudo touch run.sh
sudo gedit run.sh

写入：

source api_venv01/bin/activate
gunicorn -c gunicorn_config.py app:app

授予执行权限：

chmod +x run.sh

./run.sh 直接执行

完成环境激活+运行app。