使用Microsoft R Server进行机器学习和模型发布(3)

本文中用到的所有demo我都已经发布到了Github，需要的同学可以自行下载：

https://github.com/kingliantop/azurelabs/tree/master/RServerDemo

一般来讲数据科学家会在本地或者开发服务器开发机器学习模型，然后需要把它通过某种方式发布出去，以便于开发人员能够使用。微软的mrsdeploy package提供了一套方便的工具帮助用户建立远程连接，将R语言发布为RESTful Web Service，本文简单介绍如何实现。

发布R机器学习模型为Web Service

1.在RStudio中打开测试例子文件carservice.R,这个实力模型是根据一辆车的马力和重量来预测手动变速器的大小，首先我们加载mrsdeploy，构建学习模型：

# If on R Server 9.0, load mrsdeploy package now

library(mrsdeploy)

# Create glm model with `mtcars` dataset

carsModel <- glm(formula = am ~ hp + wt, data = mtcars, family = binomial)

# Produce a prediction function that can use the model

manualTransmission <- function(hp, wt) {

newdata <- data.frame(hp = hp, wt = wt)

predict(carsModel, newdata, type = "response")

}

# test function locally by printing results

print(manualTransmission(120, 2.8)) # 0.6418125

2. 登录到远端Microsoft R Server，准备模型发布：

# Use `remoteLogin` to authenticate with R Server using

# the local admin account. Use session = false so no

# remote R session started

remoteLogin("http://42.159.238.196:12800",

username = "admin",

password = "YOURPASS!",

session = FALSE)

3.发布模型为Restful Web Service，发布的时候需要指定输入参数，输出参数，服务名称，模型以及版本：

serviceName <- paste0("mtService", round(as.numeric(Sys.time()), 0))

# Publish as service using `publishService()` function from

# `mrsdeploy` package. Name service "mtService" and provide

# unique version number. Assign service to the variable `api`

api <- publishService(

serviceName,

code = manualTransmission,

model = carsModel,

inputs = list(hp = "numeric", wt = "numeric"),

outputs = list(answer = "numeric"),

v = "v1.0.0"

)

4. 如果上述语句执行没有问题，那么恭喜你，你的模型就算发布成功了，如果你想了解你所发布的模型的详情，可以使用如下语句显示,可以看到服务地址，：

    print(api$capabilities())

5. 那么我们用R语言作为客户端，来调用一下我们发布的web service，看看是否正常工作，使用R语言调用web service非常简单，可以看到结果和我们预期的一致：

应用程序调用R模型服务接口

R语言的服务模型发布完之后，就需要让开发人员使用机器学习模型。应用的开发语言可能是多种多样的，比如python，Java，C#，nodeJS等等，因为在上面发布的模型是RESTFul web service的，你当然可以用各种语言直接写REST call来处理，但你要处理认证，输入，输出等问题，相对来讲比较繁琐，如果有SDK就好了：）是的，但问题是怎么快速的产生各个语言的SDK呢？总不能每个机器学习模型做一套吧？

Microsoft R使用的是业界通用的Swagger文件来提供对外标准接口定义，Swagger是遵循OpenAPI规范的一个RESTFul API管理工具，语言无关，通过Swagger文件可以快速的生成各个语言的SDK，Swagger的详细介绍请参考：

http://swagger.io/

1. 首先回到RStudio中获取Swagger文件：

> swagger <- api$swagger()

> cat(swagger, file = "d:\swagger.json", append = FALSE)

上述操作默认将swagger文件保存在D盘下，你可打开看看文件内容，定义了可以执行的各个操作。

2. 通过Swagger文件来生成各个语言的SDK的工具非常多，例如Azure的Autorest（https://github.com/Azure/autorest），swagger-codegen（https://github.com/swagger-api/swagger-codegen），本例中我们使用Autorest来生成Python的SDK接口。

3. 安装Autorest，首先需要安装NodeJS，然后使用NPM安装：

npm install -g autorest

 

4. 安装完成后，可以使用autorest --help来看看使用帮助：

 

5. 我们使用Autorest工具，通过swagger.json文件，来生成python的SDK：

 

6. 进入到生成代码的目录，可以看到生成了多个目录，有我们熟悉的setup.py：

7. 运行setup.py进行安装，会将相应的python包安装到系统路径：

 

8. 剩下的事情就比较简单了，作为开发人员，写个代码，使用SDK简单的几行代码就可以实现调用，你也可以实现批量调用处理：

login = models.LoginRequest("admin","YOURPASSWORD!")

mtp = mt.MtService1495184382("http://42.159.115.154:12800")

token=mtp.login(login)

print(token)

input = models.InputParameters(120,2.8)

headers=default_headers()

headers['Authorization'] = "{} {}".format(token.token_type, token.access_token)

result = mtp.manual_transmission(input,headers)

print(result.output_parameters)

前面是测试打印的token，得到预期的输出结果0.641812：

从本系列描述可以看到，通过使用Microsoft R Client和Server，可以快速的实现机器学习模型的构建，测试，可视化，发布以及使用，也可以进行大规模部署，将在后续文章中介绍。