## 前言

### 学历与定位

近日在某论坛，有网友提问道：搞机器学习是不是要博士或是硕士学历，是不是要求很高，顶会论文？本科生或者更低学历的，是不是就没有机会了？从最近公司的招聘来看，算法工程师的 bar 确实有在提高。但在某些事业部，仍需要很大的人力来做落地场景。每个人都要找准自己的定位，公司也有它的部门定位。如果是发论文、要在学术界站稳脚跟，给投资人“我们很重视最新技术”的信心，那博士确实很重要。另一个角度，从实用角度来说，研究生和本科生可能性价比更高。当然，作为一个小本就工作的人，没有较为丰富的实战经验，有机会的话，还是拿到硕士及更高学历比较好。这里的实战经验就比如：搭建一个完整的、涉及算法模型、后端及前端的系统。

### 模型算法的实用主义

机器学习的实用主义，不是在论文多少，而是用正确的方法去解决正确的问题。而作为背后的工程师，除了调参、除了写 sql，做调包侠、做 sql boy、报表 boy 以外，在之前的文章也提到过，要学会做正确的展示，做全套的工程化实施。毕竟，等排期很难受；有些情况前后端资源不够，或者优先级很低，那就需要自己动手了。以下以上面的垃圾邮件分类为例子，说明该如何搭建一个前后端完整的机器学习系统。

关注微信公众号：谷粒先生，下载权重文件并第一时间获取更新。

这里将本次的任务拆解，分为三个部分来讲。后端 flask、前端 Vue、ML 模型采用 flair，项目地址 [kuhung/flask_vue_ML](https://github.com/kuhung/flask_vue_ML)

## 后端 flask

### 相关依赖的安装

pip install -r requirements.txt

### 核心函数

1. 导入函数包

from flask import Flask, jsonify, requestfrom flask_cors import CORS # 做跨域的准备from flask import session # 追踪客户端会话from flair.models import TextClassifier # 模型导入，采用前不久开源的 flair 做文本分类from flair.data import Sentence

2. 准备工作

app = Flask(__name__) # 声明准备app.secret_key = "super_secret_key"CORS(app)classifier = TextClassifier.load_from_file('models/best-model.pt') # 模型加载

3. 配置 flask 的路由

# 根路由配置@app.route('/', methods=['GET'])def index(): return jsonify("welcome to Kuhung API")# GET 方法，这里 session 的作用是追踪客户端会话，防止重复请求模型@app.route('/api/tasks', methods=['GET'])def get_result(): result = [] try: data_result = session['my_result'] result.append ({'title': data_result['title'], 'tag': data_result['tag'] }) except: result.append ({'title': 'The txt you input', 'tag': 'spam or ham' }) return jsonify(result)# POST 方法@app.route('/api/task', methods=['POST'])def input_predict_text(): title = request.get_json()['title'] # 解析请求 sentence = Sentence(title) # 对请求做数据预处理 classifier.predict(sentence) # 调用模型，做预测，返回带标签的数据 text = sentence.to_plain_string() # 解析出原始数据 label = sentence.labels[0] # 解析出标签 result = {'title' : text, 'tag' : label.value} # 拼接成字典格式 session['my_result'] = result # 存入 session ，以减少重复请求对模型的压力  return jsonify(result) # 返回 json 格式的数据if __name__ == '__main__': app.run(debug=True) # 开发过程中开启 debug 调试模式

### 启动服务

python app.py

## 前端 vue

前端采用 Vue 框架，与后端分离。使用 Webpack 进行资源管理与打包。

### 相关依赖的安装

npm install -g vue-clinpm install

### 自定义组件

通过 `vue init webpack flask_vue_ML` 后，进入项目文件夹，增加自定义内容。

#### index.html

  exposemodel

#### src 文件夹

- components

- Home.vue // 自定义组件，增加

- router

- index.js // 路由，修改

- App.vue // 主组件，修改

- main.js // 入口文件，修改

##### Home.vue

这里定义页面的基本样式，以及获取数据的逻辑。

Natural Language Processing (NLP)

Spam Classification Submit

##### index.js

定义路由，设定访问路径，并将路径和组件关联

import Vue from 'vue'import Router from 'vue-router'import Home from '@/components/Home'Vue.use(Router)export default new Router({ routes: [ { path: '/', name: 'Home', component: Home } ]})

##### App.vue

主组件

##### main.js

初始化实例并加载必要插件

// The Vue build version to load with the `import` command// (runtime-only or standalone) has been set in webpack.base.conf with an alias.import Vue from 'vue'import App from './App'import router from './router'import VueProgressBar from 'vue-progressbar'require('../node_modules/bootstrap/dist/css/bootstrap.css')Vue.config.productionTip = false// 这是进度条Vue.use(VueProgressBar, { color: 'rgb(143, 255, 199)', failedColor: 'red', height: '10px'})/* eslint-disable no-new */new Vue({ el: '#app', router, components: { App }, template: ''})

### 启动服务

npm run dev

## 模型 flair

模型这里采用 fair 框架，该框架在 2018 年底发布，易用性和效果都较前方案有了较大提升。这里直接采用官方样例训练好的垃圾邮件分类模型的权重，也就是在上文后端所读取的文件。关注我的公众号：谷粒先生，回复**权重**，即可获得权重文件链接。

### 模型调用

from flair.models import TextClassifier # 模型导入，采用前不久开源的 flair 做文本分类from flair.data import Sentenceclassifier = TextClassifier.load_from_file('models/best-model.pt') # 模型加载sentence = Sentence(title) # 对请求做数据预处理classifier.predict(sentence) # 调用模型，做预测，返回带标签的数据

## 效果展示

本教程针对文本分类这个场景，构建了一套前后端分离的“完整”框架，能够给到一个最直观的感受。当然，这里还有很多优化空间，还有后续部署等事宜没有详细展开，有心的同学可以自行检索学习。通过这套流程，可以在测试服搭建一套实用主义哲学的算法模型。给到领导做展示或是公司内部使用，已经足够。项目地址 [kuhung/flask_vue_ML](https://github.com/kuhung/flask_vue_ML)

### 终端端网站访问

关注微信公众号：谷粒先生，下载权重文件并第一时间获取更新。

喜欢我的朋友，别忘了点赞 、喜欢 ❤ +关注 哦，你的鼓励是对我最大的支持~