缘起
因为最近想学习机器学的相关知识，课程也看了几个，书也读了几本，但是还是没有什么清晰的感觉，始终找不到门的钥匙。好像黑崎一护成为死神时，身边无数的丝带，却始终看不见真正的红色的那条。
既然效果不佳，作为程序员，还是先从代码开始吧。
因为一直做后台开发，都是对外提供服务。那么同样角度思考机器学习这事儿，除了通过算法计算数据，生成模型外，最重要的应该还是提供能力吧，否则不就只是自嗨版的单机程序了。
既然这样，那就应该先提供一个服务，输出机器学习的能力。
因为机器学习的语言特性，直接使用pyhton开发服务。
搭建
经过一番查找，确定技术栈：
- flask + gunicorn + gevent
有些还在这基础上通过Supervisor守护进城服务，Nginx做反向代理，因为目前只是自己练习使用，暂时不用。
简单介绍一下上面几个组件。
Flask：python实现的一个轻量级微服务框架，基本功能简单，可以通过插件的方式加入其它功能。简单且灵活。
gunicorn：支持wsgi协议的http容器服务，兼容性强，使用简单。
gevent：python并发框架，提供系统性能。
以上三个工具因为之前没有用过，只是简单了解了一下。后续会多总结。
- 环境
Anaconda3 + python3.6
因为以后可能会加入TensorFlow的功能，目前TensorFlow支持python3.7还有点问题。所以决定使用3.6版本。
操作
- 安装工具
Anaconda3就是好用，直接查找 flask，gunicorn，gevent 安装即可。都是基本操作，基本无脑。
这里要注意的一点是，因为使用zsh，多以要想直接使用工具，需要配置zsh的环境变量，把当前用的python环境配置到zsh。否则不能全局使用命令工具。
- 新建工程
这一步其实真是比想象的简单的多的多的多(对python的好感进一步提升)…...
pyCharm新建一个工程，新建app.py。
from flask import Flask
app = Flask(__name__)
@app.route('/api/simpleApi')
def isPerson():
return 'yeah, I\'m the machine who can compute you!'
if __name__ == '__main__' :
from werkzeug.contrib.fixers import ProxyFix
app.wsgi_app = ProxyFix(app.wsgi_app)
app.run()
这就是一个微服务，想象Spring的那一套，脑中回想起:"我们不一样……不一样…不一样..."
- 运行
文件目录下，执行：gunicorn -w 2 -b 127.0.0.1:8000 -k gevent app:app
这里介绍一下gunicorn的参数。
-w:指定进程的数量，这里配置2，所以下面的输出里启动了两个进程：44227，44228
-b:指定地址和端口号，如果不指定默认是 localhost:5000
-k: 指定gunicorn的work-class 模式，默认是sync同步模式，这里通过gevent提升并发能力。
如果出现下面输出，那就说明服务启动成功。
[44223] [INFO] Starting gunicorn 19.9.0
[44223] [INFO] Listening at: http://127.0.0.1:8000 (44223)
[44223] [INFO] Using worker: gevent
[44227] [INFO] Booting worker with pid: 44227
[44228] [INFO] Booting worker with pid: 44228
PostMan 直接访问接口 http://localhost:8000/api/simpleApi
返回：yeah, I'm the machine who can compute you!
说明没啥问题。
然后
一个简单的python微服务貌似就这么结束了。
接下来还有更重要的工作，真正要做的才刚开始：
- 机器学习赋能，需要实现机器学习的算法功能，实现计算能力
- 能力输出，完善web框架的能力，达到企业级程度
感想
别人的代码越好用，自己的代码可能就越难写。机器学习这个领域虽然靠代码落地，但是真正支撑它的还是底层的知识结构。如果将理解事物的思维方式限定在代码层面，那对后面的学习还是有很大阻碍的。
所以代码不是目的，这个一定要定位清楚。
网友评论