살아 움직이는 머신러닝 파이프라인 설계: 텐서플로와 함께하는 머신러닝 프로젝트 자동화

193

8

장

텐서플로 서빙을 사용한 모델 배포

예제

8-1

모델 예측을 유추하기 위한 플라스크 엔드포인트 설정의 예

import json

from flask import Flask, request

from tensorflow.keras.models import load_model

# 데이터 구조를 변환하기 위한 전처리입니다.

from utils import preprocess

# 훈련된 모델을 로드합니다.

model = load_model(‘model.h5’)

app = Flask(__name__)

@app.route(‘/classify’, methods=[‘POST’])

def classify():

complaint_data = request.form[“complaint_data”]

preprocessed_complaint_data = preprocess(complaint_data)

# 예측을 수행합니다.

prediction = model.predict([preprocessed_complaint_data])

# HTTP 응답에서 예측을 반환합니다.

return json.dumps({“score”: prediction})

})

이 설정은 빠르고 쉬운 구현으로 데모 프로젝트에 적합합니다. 그러나 [예제

8

-

1

]을 사용하여

시스템 학습 모델을 프로덕션 엔드포인트에 ...