訓練模型

在上一篇文章中，我們已經通過LearningPipeline訓練好了一個“鳶尾花瓣預測”模型，

var model = pipeline.Train<IrisData, IrisPrediction>();

現在就可以讓模型對一條沒有人工標註結果的數據進行分析，返回一個預測結果。

var prediction = model.Predict(new IrisData()
            {
                SepalLength = 3.3f,
                SepalWidth 
 
= 1.6f,
                PetalLength = 0.2f,
                PetalWidth = 5.1f,
            });
 
Console.WriteLine($"Predicted flower type is: {prediction.PredictedLabels}");

或者一次預測一批數據

var inputs = new[]{
                new IrisData()
                {
                    SepalLength 
 
= 3.3f,
                    SepalWidth = 1.6f,
                    PetalLength = 0.2f,
                    PetalWidth = 5.1f,
                }
                ,new IrisData()
                {
                    SepalLength = 5.2f,
                    SepalWidth = 3.5f,
                    PetalLength 
 
= 1.5f,
                    PetalWidth = 0.2f,
                }
            };

var predictions = model.Predict(inputs);

保存模型

但是大多數時候，已經訓練好的模型以後還需要繼續可以使用，因此需要把它持久化，寫入到zip文件中。

await model.WriteAsync("IrisPredictionModel.zip");

使用模型

一旦建立了機器學習模型，就可以部署它，利用它進行預測。我們可以通過REST API，接受來自客戶端的數據輸入，並返回預測結果。

• 創建API項目

dotnet new webapi -o myApi

• 安裝依賴項

cd myApi
dotnet add package Microsoft.ML
dotnet restore

• 引用模型

要在API中引用我們前面保存的模型，只需將IrisPredictionModel.zip復制到API項目目錄中即可。

• 創建數據結構

我們的模型使用數據結構IrisData和IrisPrediction來定義特征和預測屬性。因此，當使用我們的模型通過API進行預測時，它也需要引用這些數據結構。因此，我們需要在API項目中定義IrisData和IrisPrediction。類的內容與上一篇文章中創建模型項目中的內容相同。

using Microsoft.ML.Runtime.Api;
namespace myApi
{
    public class IrisData
    {
        [Column("0")]
        public float SepalLength;

        [Column("1")]
        public float SepalWidth;

        [Column("2")]
        public float PetalLength;

        [Column("3")]
        public float PetalWidth;

        [Column("4")]
        [ColumnName("Label")]
        public string Label;
    }
}

using Microsoft.ML.Runtime.Api;
namespace myApi
{
    public class IrisPrediction
    {
        [ColumnName("PredictedLabel")]
        public string PredictedLabels;
    }
}

• 創建Controller

現在，在API項目的Controllers目錄中，創建PredictController類，用於處理來自客戶端的預測請求，它包含一個POST方法

using System;
using System.Collections.Generic;
using System.Linq;
using System.Threading.Tasks;
using Microsoft.AspNetCore.Mvc;
using Microsoft.ML;

namespace myApi.Controllers
{
    [Route("api/[controller]")]
    [ApiController]
    public class PredictController : ControllerBase
    {
        // POST api/predict
        [HttpPost]
        public async Task<string> Post([FromBody] IrisData value)
        {            
            var model = await PredictionModel.ReadAsync<IrisData,IrisPrediction>("IrisPredictionModel.zip");
            var prediction = model.Predict(value);
            return prediction.PredictedLabels;
        } 
    }
}

• 測試API

使用如下命令行運行程序：

dotnet run

然後，使用POSTMAN或其他工具向http://localhost:5000/api/predict發送POST請求，請求數據類似：

{
    "SepalLength": 3.3,
    "SepalWidth": 1.6,
    "PetalLength": 0.2,
    "PetalWidth": 5.1,
}

如果成功，將會返回"Iris-virginica"。

學習ML.NET(2): 使用模型進行預測