### 使用Flask或FastAPI将机器学习模型部署为HTTP API接口的方法 将机器学习模型封装为HTTP接口是一种常见的做法，可以方便地将模型集成到更大的系统中。以下是使用Flask和FastAPI两种框架实现这一目标的详细方法。 #### Flask 实现 Flask 是一个轻量级的 Web 框架，适合快速开发和部署简单的 HTTP API 接口。以下是一个基于 Flask 的示例代码： ```python from flask import Flask, request, jsonify import joblib import numpy as np # 加载训练好的模型 model = joblib.load("model.pkl") app = Flask(__name__) @app.route('/predict', methods=['POST']) def predict(): data = request.json # 获取请求中的 JSON 数据 features = np.array(data['features']).reshape(1, -1) # 转换为 NumPy 数组 prediction = model.predict(features) # 使用模型进行预测 return jsonify({'prediction': prediction.tolist()}) # 返回预测结果 if __name__ == '__main__': app.run(debug=True) ``` 上述代码展示了如何通过 Flask 创建一个简单的 HTTP API，用于接收 POST 请求并返回预测结果[^1]。 #### FastAPI 实现 FastAPI 是一个现代的 Web 框架，支持异步编程模型，并且内置了自动化的交互式 API 文档生成功能。以下是一个基于 FastAPI 的示例代码： ```python from fastapi import FastAPI, Body import joblib import numpy as np # 加载训练好的模型 model = joblib.load("model.pkl") app = FastAPI() @app.post("/predict") async def predict(features: list = Body(...)): features_array = np.array(features).reshape(1, -1) # 转换为 NumPy 数组 prediction = model.predict(features_array) # 使用模型进行预测 return {"prediction": prediction.tolist()} # 返回预测结果 ``` 上述代码展示了如何通过 FastAPI 创建一个高效的 HTTP API，特别适合需要处理大量并发请求的场景[^2]。 #### 比较与选择 - **Flask**：适合中小型项目，易于上手，扩展性强，适合需要灵活性的应用场景[^3]。 - **FastAPI**：适合高性能需求的场景，尤其在需要处理大量并发请求或实时数据时表现出色。其类型提示和依赖注入功能使得代码更加清晰和易于维护[^2]。 无论选择哪种框架，都可以通过 `joblib` 或 `pickle` 加载已训练的模型，并通过 HTTP 请求提供预测服务。