將PHP與機器學習模型集成

使用REST API通過通過燒瓶或FastApi在Python中運行模型來彌合PHP和ML模型，並使用捲髮或Guzzle從PHP調用它。 2。使用Exec（）或Shell_exec（）直接從php運行Python腳本，以用於簡單，流量低的用例，儘管此方法具有安全性和性能限制。 3.使用共享存儲（例如數據庫或REDIS），其中PHP排隊預測請求和Python服務不同步，非常適合長期運行任務。 4。考慮使用TensorFlow.js進行前端推理的基於JavaScript的ML，允許PHP在將預測卸載到客戶端或Node.js的同時管理數據。始終驗證輸入，隔離ML邏輯，緩存結果和監視性能，以確保PHP和ML模型之間有效整合。

將PHP與機器學習（ML）模型集成並不是最常見的方法 - Python主導了ML世界 - 但有時是完全可能的，有時是必要的，尤其是在使用Legacy PHP應用程序或WordPress等CMS平台時。這是您可以在現實世界中有效連接PHP與ML模型的方式。

1。使用REST API橋接PHP和ML模型

最實用，最可擴展的方法是通過REST API揭露ML模型，該API通常使用瓶或FastApi等框架在Python中構建，並使用cURL或GuzzleHTTP從PHP調用它。

為什麼這有效：

• ML模型（尤其是深度學習）在Python中運行最佳，其中包括Tensorflow，Pytorch或Scikit-Learn等庫。
• PHP處理Web邏輯，用戶輸入和顯示； Python處理預測。

示例：Python燒瓶API

從燒瓶進口燒瓶，請求，jsonify
導入約伯利布

app =燒瓶（__名稱__）
模型= Joblib.load（'Model.pkl'）

@app.route（'/predive'，方法= ['post']）
def predivept（）：
    data = request.json
    功能= [data ['feature1']，data ['feature2']]
    預測= model.predict（[功能]）[0]
    返回jsonify（{'prediction'：int（prediction）}）

如果__name__ =='__ -main __'：
    app.run（端口= 5000）

來自PHP的電話

$ data = ['feature1'=> 5.1，'feature2'=> 3.5];
$ ch = curl_init（'http：// localhost：5000/predict'）;
curl_setopt（$ ch，curlopt_returntransfer，true）;
curl_setopt（$ ch，curlopt_postfields，json_encode（$ data））;
curl_setopt（$ ch，curlopt_httpheader，[content-type：application/json']）;

$ response = curl_exec（$ ch）;
$ result = json_decode（$ wenspy，true）;
curl_close（$ ch）;

迴聲“預測：”。 $結果['預測'];

這將您的前端/後端與模型複雜性分開，並允許獨立縮放。

2。直接從PHP運行Python腳本（簡單情況）

對於輕型模型或批處理處理，您可以使用exec() ， shell_exec()或proc_open()直接從PHP執行Python腳本。

例子：

 $ output = shell_exec（'python3 predition.py 5.1 3.5'）;
迴聲$輸出；

和predict.py ：

導入系統
導入約伯利布

模型= Joblib.load（'Model.pkl'）
功能1 = float（sys.argv [1]）
功能2 = float（sys.argv [2]）

預測=模型。
打印（預測）

警告：

• 安全風險如果用戶輸入未進行消毒。
• 由於過程產卵而慢。
• 難以調試和擴展。

最適合內部工具或低流量應用程序。

3。使用共享存儲（文件，數據庫，redis）

在某些設置中，您可能會將PHP寫入數據庫或文件寫入輸入數據，以及用於新請求的單獨的Python服務民意調查，運行預測並寫下結果。

工作流：

• PHP將記錄插入具有“待處理”狀態的predictions_queue表中。
• Python守護程序檢查隊列，運行模型，更新結果和狀態。
• PHP異步檢索結果（例如，通過AJAX或輪詢）。

這對於長期運行的預測或背景任務很有用。

4。利用基於JavaScript的ML（前端的替代方案）

如果您願意轉移一些邏輯，請考慮TensorFlow.js 。您可以在Python中訓練模型，將其轉換為TensorFlow.js格式，然後直接在瀏覽器或Node.js中運行推理。

PHP仍然處理身份驗證和數據存儲，而預測發生在客戶端或通過node.js microservice。

成功的關鍵技巧

• 切勿在PHP中公開模型文件或培訓邏輯- 隔離的ML代碼。
• 在發送到ML端點之前，嚴格驗證和消毒輸入。
• 緩存預測在可能的情況下（例如，使用redis）減少延遲。
• 使用JSON進行交流- 它的輕量級和普遍支持。
• 監視性能-ML推理可能成為瓶頸。

底線

PHP並不適合本地培訓或運行ML模型，但它通過API或過程間通信良好。關鍵是使用適合每個作業的工具：用於網絡處理的PHP，用於機器學習的Python。使用乾淨的API層，兩者可以無縫地一起工作。

基本上，將模型保留在Python中，安全地將其曝光，並讓PHP盡其所能 - 可以保留Web內容。

以上是將PHP與機器學習模型集成的詳細內容。更多資訊請關注PHP中文網其他相關文章！