AI 第25天：使用 Flask 部署簡單 AI API

今天我們將深入學習如何使用 Flask 部署一個簡單的 AI API，讓我們的 AI 模型可以作為後端服務，供前端或其他應用調用。這是一個重要的技能，讓你可以將自己的 AI 開發成果應用於實際項目中。

---

課程目標

1. 瞭解如何設計 API 來處理數據請求與返回結果。
2. 使用 Flask 搭建簡單的 API，並整合已訓練的 AI 模型。
3. 測試 API 並確保它能夠正確返回預測結果。

---

課程內容

1. Flask 簡介

1.1 Flask 是什麼？

Flask 是一個輕量級的 Python 網頁框架，特別適合快速開發與部署小型應用。它的優勢包括：

• 易於學習和使用。
• 可擴展性強，支持多種插件與工具。
• 對於 AI 模型部署非常友好。

1.2 Flask 安裝

在終端中執行以下指令安裝 Flask：

pip install flask

---

2. 使用 Flask 部署 AI 模型

2.1 預先準備模型

我們將使用一個簡單的線性迴歸模型作為範例，先完成模型的訓練與保存：

from sklearn.linear_model import LinearRegression
import joblib

# 訓練模型
X = [[1], [2], [3], [4]]
y = [2, 4, 6, 8]
model = LinearRegression()
model.fit(X, y)

# 保存模型
joblib.dump(model, "linear_regression_model.pkl")
print("模型已保存！")

2.2 建立 Flask 應用

我們將使用 Flask 建立一個簡單的 API，供客戶端請求使用模型進行預測：

from flask import Flask, request, jsonify
import joblib

# 初始化 Flask 應用
app = Flask(__name__)

# 加載已保存的模型
model = joblib.load("linear_regression_model.pkl")

@app.route('/predict', methods=['POST'])
def predict():
    # 獲取請求中的數據
    data = request.get_json()
    X = data['input']
    
    # 使用模型進行預測
    prediction = model.predict([X])
    
    # 返回預測結果
    return jsonify({'prediction': prediction.tolist()})

if __name__ == '__main__':
    app.run(debug=True)

---

3. 測試 API

3.1 啟動 Flask 應用

執行以下指令啟動應用：

python app.py

預設情況下，應用會運行在 http://127.0.0.1:5000。

3.2 測試 API

使用 Postman 或命令行工具 curl 發送請求進行測試：

範例請求：

curl -X POST -H "Content-Type: application/json" -d '{"input": [5]}' http://127.0.0.1:5000/predict

範例返回：

{
    "prediction": [10.0]
}

---

4. 增強與擴展

4.1 添加輸入驗證

為了確保 API 的穩定性，可以添加數據驗證：

@app.route('/predict', methods=['POST'])
def predict():
    try:
        data = request.get_json()
        X = data['input']
        
        if not isinstance(X, list) or len(X) != 1:
            return jsonify({'error': '輸入數據格式不正確，需為單個數字的列表。'}), 400
        
        prediction = model.predict([X])
        return jsonify({'prediction': prediction.tolist()})
    except Exception as e:
        return jsonify({'error': str(e)}), 500

4.2 添加更多路由

可以擴展應用以提供更多功能，例如查詢模型資訊或更新模型：

@app.route('/info', methods=['GET'])
def info():
    return jsonify({'model': 'Linear Regression', 'version': '1.0'})

4.3 日誌與錯誤處理

加入日誌功能，幫助追蹤請求與錯誤：

import logging
logging.basicConfig(level=logging.INFO)

@app.route('/predict', methods=['POST'])
def predict():
    data = request.get_json()
    logging.info(f"收到請求：{data}")
    # 其餘程式碼

---

課後作業

1. 修改範例代碼，使用你自己訓練的模型替代線性迴歸模型。
2. 嘗試部署到雲端平台，例如 AWS 或 Heroku。
3. 探索其他框架（如 FastAPI）進行對比，並撰寫一篇比較報告。

---