معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

This is a package which aims to combine the lighweight web-framework flask

ویژگی	مقدار
سیستم عامل	-
نام فایل	flaskriver-0.0.4
نام	flaskriver
نسخه کتابخانه	0.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	-
ایمیل نویسنده	Sebastian Wette <mail@sebastianwette.de>
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/flaskriver/
مجوز	-

<p align="center"> <img src="docs/img/text.png" alt="logo"> </p> <p align="center"> This is a repository for the open-source project Flaskriver. It combines the lightweight web-framework <a href="https://flask.palletsprojects.com/en/2.2.x/">Flask</a> with the online-ML library <a href="https://github.com/online-ml/river">River</a> to make deploying online-ML models to web web easier. For more info on online-ML check out the river repository or the official website. </p> ## Introduction First you will have to install the package via pip: ```sh pip install flaskriver ``` The following code will spin up a developement server which is providing a logistic regression model. You can reach it's endpoints at: - http://localhost/predict:5000 - http://localhost/train:5000 - http://localhost/metric:5000 ```python from flaskriver import ClassificationInterface from flask import Flask from river import linear_model, metrics model = linear_model.LogisticRegression() mae = metrics.MAE() accuracy = metrics.Accuracy() metrics = [mae, accuracy] interface = ClassificationInterface(model, metrics) app = Flask(__name__) interface.registerToApp(app) if __name__ == "__main__": app.run(host="localhost", debug=True) ``` At these endpoints the app will await the training data as JSON (since river models work with dictionaries). A JSON body for training the model could look something like this: ```json { "features":{ "x1":300, "x2":210 }, "target":false } ``` And the JSON body for predicting a value would then look like this: ```json { "x1":100, "x2":150 } ``` With the following code you can set up a small client which goes through an entire dataset (the "Phising" dataset which comes with River) and incrementally trains the model and evaluates it's metrics. ```python import requests from river import datasets dataset = datasets.Phishing() train_url = f"http://localhost:5000/train" metric_url = f"http://localhost:5000/metric" for x, y in dataset: payload = {"features": x, "target": y} response = requests.post(train_url, json=payload) response = requests.get(metric_url) print(response.json()) ``` ## Documentation You can find more detailed documentation for Flaskriver at <a href="https://flaskriver.ml">flaskriver.ml</a> ## Contributing If you would like to contribute something to the project fell free to share your ideas in form of an issue. You can also reach out to me directly via e-mail.

نیازمندی

مقدار	نام
-	flask

نحوه نصب

نصب پکیج whl flaskriver-0.0.4:

pip install flaskriver-0.0.4.whl

نصب پکیج tar.gz flaskriver-0.0.4:

pip install flaskriver-0.0.4.tar.gz