当前位置：首页 > news >正文

PyCaret模型部署到GCP：从训练到Cloud Function的完整指南

news 2026/5/12 0:43:37

PyCaret模型部署到GCP：从训练到Cloud Function的完整指南

【免费下载链接】pycaretAn open-source, low-code machine learning library in Python项目地址: https://gitcode.com/gh_mirrors/py/pycaret

PyCaret是一个开源的低代码机器学习库，它提供了从数据准备到模型部署的全流程解决方案。本文将详细介绍如何使用PyCaret训练模型并将其部署到Google Cloud Platform (GCP)的Cloud Function，实现机器学习模型的快速上线和服务化。

PyCaret简介：简化机器学习工作流

PyCaret通过直观的API和自动化流程，大大降低了机器学习的使用门槛。它集成了数据准备、模型训练、超参数调优、模型评估和部署等全流程功能，让用户可以专注于业务逻辑而非代码实现。

上图展示了PyCaret的核心功能模块，包括数据准备、模型训练、超参数调优、模型评估和解释、模型选择以及实验日志等，全面覆盖了机器学习项目的各个阶段。

第一步：使用PyCaret快速训练模型

使用PyCaret训练模型非常简单，只需几行代码即可完成从数据加载到模型训练的全过程。以下是一个典型的回归模型训练流程：

# 安装PyCaret !pip install pycaret # 导入必要的库 from pycaret.datasets import get_data from pycaret.regression import * # 加载示例数据集 data = get_data('boston') # 初始化设置 s = setup(data, target='medv', session_id=123) # 训练并比较模型 best_model = compare_models() # 保存模型 save_model(best_model, 'boston_model')

这个简单的流程展示了PyCaret的强大功能：自动数据预处理、特征工程、模型选择和超参数调优。训练完成后，我们使用save_model函数将模型保存为pickle文件，为后续部署做准备。

第二步：将模型部署到GCP云存储

PyCaret提供了内置的deploy_model函数，可以直接将训练好的模型部署到各种云平台，包括GCP。首先，我们需要准备GCP的认证信息。

GCP准备工作

创建GCP项目并启用云存储服务
创建服务账号并下载JSON格式的密钥文件

设置环境变量指向密钥文件：

export GOOGLE_APPLICATION_CREDENTIALS="/path/to/your/service-account-key.json"

使用PyCaret部署模型到GCP

# 从PyCaret导入deploy_model函数 from pycaret.regression import deploy_model # 定义认证信息 authentication = { "project": "your-gcp-project-name", "bucket": "your-gcp-bucket-name" } # 部署模型到GCP deploy_model( model=best_model, model_name='boston_model', authentication=authentication, platform='gcp' )

PyCaret的deploy_model函数位于pycaret/internal/persistence.py，它处理了模型序列化、创建存储桶（如果不存在）以及将模型文件上传到GCP云存储的全过程。

第三步：创建GCP Cloud Function

模型成功上传到GCP云存储后，我们需要创建一个Cloud Function来提供模型服务。以下是创建Cloud Function的步骤：

1. 准备函数代码

创建一个名为main.py的文件，内容如下：

import os import joblib from google.cloud import storage from flask import jsonify, request def predict(request): # 设置CORS if request.method == 'OPTIONS': headers = { 'Access-Control-Allow-Origin': '*', 'Access-Control-Allow-Methods': 'POST', 'Access-Control-Allow-Headers': 'Content-Type', 'Access-Control-Max-Age': '3600' } return ('', 204, headers) headers = { 'Access-Control-Allow-Origin': '*' } # 获取请求数据 data = request.get_json() # 从GCP存储桶加载模型 storage_client = storage.Client() bucket = storage_client.bucket('your-gcp-bucket-name') blob = bucket.blob('boston_model.pkl') blob.download_to_filename('/tmp/boston_model.pkl') # 加载模型并预测 model = joblib.load('/tmp/boston_model.pkl') prediction = model.predict([list(data.values())]) return (jsonify({'prediction': float(prediction[0])}), 200, headers)

2. 创建requirements.txt文件

flask google-cloud-storage joblib scikit-learn pycaret

3. 使用gcloud命令行部署Cloud Function

gcloud functions deploy predict \ --runtime python39 \ --trigger-http \ --allow-unauthenticated \ --memory 512MB

第四步：测试部署的Cloud Function

部署完成后，GCP会提供一个URL，我们可以使用curl命令或任何HTTP客户端来测试这个函数：

curl -X POST https://REGION-PROJECT_ID.cloudfunctions.net/predict \ -H "Content-Type: application/json" \ -d '{"CRIM": 0.00632, "ZN": 18.0, "INDUS": 2.31, "CHAS": 0.0, "NOX": 0.538, "RM": 6.575, "AGE": 65.2, "DIS": 4.0900, "RAD": 1.0, "TAX": 296.0, "PTRATIO": 15.3, "B": 396.90, "LSTAT": 4.98}'