开工的欲望 | AI Studio悄然上线新功能，用你的模型生成在线预测服务
开工第一天，小伙伴们是不是还没有从过年的状态转换过来？今天给大家介绍一个AI Studio新功能，能让大家用自己训练好的模型，轻松生成在线预测服务，通过在线API调用，而且是免费的哦~
大家是不是已经跃跃欲试了呢？那就快到AI Studio亲自体验一下吧。希望这个开年小“福利”，能帮助大家尽快找到开工的感觉。
经常登录AI Studio的朋友可能早就发现——AI Studio改版了：
这次升级，AI Studio不光调整了前端页面，还增加了不少新功能，其中就包含我们今天要说的在线部署及预测功能。
功能说明
在线部署与预测为开发者提供训练模型向应用化API转换的功能. 开发者在AI Studio平台通过单机项目NoteBook页面完成模型训练后, 通过创建一个在线服务, 应用模型生成在线API, 使用该API可以直接检验模型效果或实际应用到开发者的私有项目中.目前, 该功能暂时仅对单机项目开放。
通过训练任务生成模型文件
在训练任务过程中, 通过调用paddle.fluid.io.save_inference_model`实现模型的保存，保存后的目录需要可以被在线服务使用. 我们以房价预测的线性回归任务为例, 具体代码如下
使用已有模型, 可以通过
!wget在Notebook中传输模型文件到环境目录。以房价预测的线性回归模型为例, 通过!wget https://ai.baidu.com/file/4E1D1FCC670E4A5E8441634201658107 -O fit_a_line.inference.model传输文件, 解压后直接被在线服务使用.
创建一个在线服务
完成模型训练后, 在单机项目页面点击【创建预测服务】
第一步 选择模型文件
勾选模型文件
设置主程序, 主程序为
paddle.fluid.io.save_inference_model中参数main_program配置的程序, 在房价预测的示例中，我们使用默认参数调用save_inference_model, 因此将__model__文件设置为主程序.
第二步 确认输入输出
填写模型的输入输出参数. 以房价预测的线性回归模型为例(参数参考), 添加参数如下图所示.
第三步 制作参数转换器
参数转换器帮助用户转化合法输入并完成数据预处理.
方式一:自定义转换器(Python2.7)(推荐).
输入参数转换器方法
输出参数转换器方法
转换器代码示例, 以房价预测为例.
输入参数转换器:
输出参数转换器:
方式二: 默认参数, 不设置转换器.
用户的API参数直接传递给模型.
第四步 沙盒部署
用户可以同时部署之多五个沙盒服务, 用来对比模型优化结果.
录入名称点击【生成沙盒】或者点击【暂存】将沙盒保存到草稿箱.
测试沙盒服务
对沙盒列表中的沙盒服务进行测试，验证是否配置正确。
第一步 点击【测试】打开测试页面
第二步 填写json格式请求参数
第三步 点击【发送】检验返回结果
部署在线服务
点击【正式部署】部署线上API.
一个项目可以创建五个沙盒服务, 并选择其中一个沙盒服务部署为线上服务.
沙盒服务如果连续超过24小时无调用将自动调整为暂停状态.
线上服务如果连续超过14天无调用将自动调整为暂停状态.
调用在线服务
依据API key、服务地址和用户自定义参数, 实现对服务的调用.
请求方式
HTTP请求URL: [服务地址] [?] [apiKey=xxx]
HTTP请求方法: POST
HTTP Body: 用户自定义参数
调用示例
以房价预测项目为例.
CURL
Python
以上，就是今天要给大家介绍的，在线部署及预测功能，大家都来试试吧~！
转载于:https://blog.51cto.com/13970240/2352842