Flask বা অন্য ফ্রেমওয়ার্ক ব্যবহার করে Model Deployment

মডেল ডিপ্লয়মেন্ট একটি গুরুত্বপূর্ণ পদক্ষেপ, যা প্রশিক্ষিত মডেলকে বাস্তব জীবনের অ্যাপ্লিকেশনে ব্যবহারযোগ্য করে তোলে। Flask একটি জনপ্রিয় মাইক্রো ওয়েব ফ্রেমওয়ার্ক, যা মডেল ডিপ্লয়মেন্টের জন্য সহজ এবং কার্যকর উপায় সরবরাহ করে। নিচে Flask ব্যবহার করে মডেল ডিপ্লয়মেন্টের একটি উদাহরণ দেওয়া হলো। এছাড়াও Django, FastAPI এবং অন্যান্য ফ্রেমওয়ার্কগুলোর উল্লেখ করা হবে।

Flask ব্যবহার করে Model Deployment

পদক্ষেপ ১: প্রয়োজনীয় লাইব্রেরি ইনস্টল করা

pip install flask torch torchvision

পদক্ষেপ ২: প্রশিক্ষিত মডেল সংরক্ষণ করা

প্রথমে, আপনার প্রশিক্ষিত মডেলটি সংরক্ষণ করুন। উদাহরণস্বরূপ, যদি আপনার মডেলটি PyTorch-এ হয়:

import torch

# মডেল তৈরি এবং প্রশিক্ষণ করুন
model = ...  # আপনার মডেল তৈরি করুন
torch.save(model.state_dict(), 'model.pth')

পদক্ষেপ ৩: Flask অ্যাপ্লিকেশন তৈরি করা

Flask অ্যাপ্লিকেশন তৈরি করে মডেল ডিপ্লয় করুন।

from flask import Flask, request, jsonify
import torch
from torchvision import transforms
from PIL import Image

app = Flask(__name__)

# মডেল লোড করা
class SimpleModel(torch.nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.layer = torch.nn.Linear(28 * 28, 10)  # উদাহরণস্বরূপ একটি সহজ লেয়ার

    def forward(self, x):
        return self.layer(x.view(x.size(0), -1))

model = SimpleModel()
model.load_state_dict(torch.load('model.pth'))
model.eval()

# ইনপুট ডেটা প্রক্রিয়া করার জন্য ট্রান্সফরমেশন
transform = transforms.Compose([
    transforms.Resize((28, 28)),
    transforms.ToTensor(),
])

@app.route('/predict', methods=['POST'])
def predict():
    if 'file' not in request.files:
        return jsonify({'error': 'No file part'})

    file = request.files['file']
    image = Image.open(file).convert('L')  # সাদা-কালো ছবি হিসাবে খোলা
    image = transform(image).unsqueeze(0)  # ডেটা প্রক্রিয়া করা

    with torch.no_grad():
        prediction = model(image)
        predicted_class = prediction.argmax(dim=1).item()  # সর্বোচ্চ স্কোর পাওয়া

    return jsonify({'predicted_class': predicted_class})

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

পদক্ষেপ ৪: Flask অ্যাপ্লিকেশন চালানো

Flask অ্যাপ্লিকেশন চালাতে, আপনার কোডটি সংরক্ষণ করুন এবং নিম্নলিখিত কমান্ড চালান:

python your_flask_app.py

পদক্ষেপ ৫: মডেল থেকে পূর্বাভাস নেয়া

Flask সার্ভারে POST অনুরোধ পাঠিয়ে আপনার মডেল থেকে পূর্বাভাস নিন। উদাহরণস্বরূপ, curl ব্যবহার করে:

curl -X POST -F 'file=@path_to_your_image.png' http://127.0.0.1:5000/predict

অন্যান্য ফ্রেমওয়ার্ক

Django:

• Django হল একটি পূর্ণাঙ্গ ওয়েব ফ্রেমওয়ার্ক, যা বেশি জটিল প্রকল্পের জন্য উপযুক্ত। Django REST framework ব্যবহার করে API তৈরি করতে পারেন।

FastAPI:

• FastAPI হল একটি আধুনিক, দ্রুত (high-performance) ফ্রেমওয়ার্ক যা ASGI (Asynchronous Server Gateway Interface) সমর্থন করে। এটি API তৈরি করতে সহজ এবং কার্যকরী।

উপসংহার

Flask এবং অন্যান্য ফ্রেমওয়ার্ক ব্যবহার করে মডেল ডিপ্লয়মেন্ট একটি সহজ প্রক্রিয়া, যা আপনার মেশিন লার্নিং মডেলকে বাস্তব জীবনের অ্যাপ্লিকেশনে সংযুক্ত করার সুযোগ দেয়। উপরে উল্লিখিত পদ্ধতিগুলি ব্যবহার করে, আপনি সহজেই আপনার মডেলকে ডিপ্লয় এবং ইনফারেন্সের জন্য প্রস্তুত করতে পারেন।