原文：
www.kdnuggets.com/2021/07/colabcode-deploying-machine-learning-models-google-colab.html
评论
作者 Kaustubh Gupta，Python 开发者
照片由 Niclas Illg 提供，来源于 Unsplash
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析能力
3. Google IT 支持专业证书 - 支持你的组织的 IT
Google colab 是最方便的在线 Python 和数据科学爱好者的 IDE。它于 2017 年对公众发布，最初是 Google 研究团队用来协作进行不同 AI 项目的内部项目。自那时起，它因其易于使用的界面、类似 Jupyter notebooks 的特性以及对 GPU 的支持而获得了极大的关注。
大多数流行的机器学习库，如 numpy、pandas、seaborn、matplotlib、sklearn、TensorFlow，都在这个云环境中预装，因此你不需要任何显式的先决条件。你也可以安装任何你选择的 Python 包来运行你的代码。在这篇文章中，我将向你解释如何使用 FastAPI 和 ngrok 将你的机器学习模型作为 API 部署。
这是一个高性能的 Python Web 框架，用于构建 API。传统上，大多数开发者选择 flask 作为构建 API 的首选，但由于一些限制，如数据验证、认证、异步等，FastAPI 获得了很高的普及度。FastAPI 提供了自动文档生成、认证、通过 pydantic 模型进行数据验证等功能。要详细了解这两个框架之间的重大差异，可以查看我在 Analytics Vidya 上的文章：
本文作为数据科学博客马拉松的一部分发表。介绍 在完成模型构建后……
FastAPI 帮助设置生产就绪的服务器，但如果你想在将其部署到实际的云平台（如 Heroku）之前与团队分享，这时 ngrok 就会派上用场，通过隧道化你的本地主机并将其公开到互联网。现在，任何人都可以通过提供的链接访问你的 API 端点，但如果所有这些都可以在 Google Colab 上完成呢？解决方案就是 ColabCode！
它是一个 Python 包，可以让你直接从 Colab 笔记本启动代码服务器，而无需在系统上进行任何本地设置。它可以用来启动 VS Code 环境、Jupyter Lab 服务器，或将 FastAPI 服务器隧道到网络中，所有这些都在 Colab 笔记本中完成。这对那些在云中训练模型并希望以 API 形式与世界分享发现的热衷编码者来说是一个极大的优势。我们将讨论 ColabCode 的所有功能，直到本文的最后。
我将用于本文的任务声明是一个决策树分类器，用于对两种音乐类型进行分类：Hip-Hop 或 Rock。我已经完成了数据集的清理，它可以在我的 GitHub 仓库 中找到。现在，我已经将数据集导入到笔记本中，并训练了一个决策树模型，没有进行任何预处理或 EDA，因为本文更多的是关于部署。因此，这个模型可能会返回一些错误的结果！
模型创建代码
1. 现在，如果你熟悉 FastAPI 架构，我们将需要一个数据类来处理输入。这个数据类允许 FastAPI 验证发送到模型的输入，如果输入错误，它会简单地抛出错误而不将其传递给模型。
2. 创建数据类非常简单，只需要接受参数和数据类型。为了进一步自定义，你还可以添加一个自定义示例以快速测试结果。这个类的代码是：
数据类代码
3. 现在，我们需要创建一个端点，所有请求都将在此端点提供服务。FastAPI 中的端点创建与 Flask 非常相似，只需端点函数接收数据类进行验证。
FastAPI 代码
如果你希望探索一些有趣的项目，可以查看我的 GitHub 个人资料：
???? 我目前正在探索 Python 及其所有功能。 ???? 我目前正在学习如何工作…
我们的 FastAPI 已经准备好，现在唯一需要做的就是通过 Colab 环境运行它。首先，导入这个包并初始化服务器：
from colabcode import ColabCodeserver = ColabCode(port=10000, code=False)端口号可以自选，代码参数应设置为 false。现在，服务器已准备好接收 FastAPI 对象，通过 ngrok 的帮助，本地主机被隧道化并通过唯一的 URL 公开到公众。
server.run_app(app=app)就这样！你将获得一个 ngrok URL，可以与社区、团队或任何人分享。该链接将在你终止单元格进程后立即过期，如果你不终止，Google Colab 会在一段时间后终止它。下面展示了这个过程的示例 GIF：
作者提供的 GIF
在这里，点击链接后，我导航到了 FastAPI 自动生成的 /docs 端点，在这里我们可以测试结果。如果你想运行并尝试这个东西，整个笔记本代码都在这里。只需打开这个笔记本并运行所有单元格。
作者提供的代码
ColabCode 不仅限于在 Colab 上运行 FastAPI 代码，它还可以提供 VS Code 服务器和 Jupyter Lab 服务器！它可以帮助用户在基于云的服务中获得熟悉的环境。即使资源非常有限的用户也能从这些服务中受益。这与新推出的 GitHub Codespaces 非常相似，后者在网页上提供 VS Code 环境。要通过 ColabCodes 运行 VS Code 服务器，请执行以下操作：
from colabcode import ColabCode
ColabCode()你将看到一个 ngrok URL 提示，加载完成后，你将会看到类似于以下的 VS Code 运行在你的网页浏览器中：
作者提供的图片
同样，如果你想打开 Jupyter Lab 服务器，将 lab 参数设置为 true，将 code 参数设置为 false。
from colabcode import ColabCode
ColabCode(code=False, lab=True)你将获得一个 URL 和一个用于服务器身份验证的令牌。输入令牌并点击登录，将会看到类似于以下的屏幕：
作者提供的图片
在这篇文章中，我解释了 ColabCode 的功能，并简要介绍了 FastAPI。目前，Abhishek Thakur（该包的创建者）发布了 v0.2.0。如果你希望贡献，可以查看这个包的GitHub 仓库。
说到这里，这篇文章就结束了，希望你能有所收获，我会通过其他文章再次出现在你的信息流中！
我其他受欢迎的文章：
探索 ExplainerDashBoard，开发互动仪表板的最简单方法
这是我如何重建我的 Python 项目：数据科学、网络开发与 Android 应用
JavaScript 等效的 Python 脚本
使用 Python 和基础前端的 Docker 化 GitHub Action。
简介： Kaustubh Gupta 是一位对数据科学和机器学习感兴趣的 Python 开发人员，曾参与多个数据相关项目，关注机器学习的实际应用。
原始。经许可转载。
相关：
-
如何通过 API 创建和部署简单的情感分析应用
-
多语言 CLIP 与 Huggingface + PyTorch Lightning
-
何时重新训练机器学习模型？运行这 5 个检查以决定时间表