透過這篇文章，您可以透過運行在 App Engine 上的 Web 應用程式來使用 Prediction API，以進行線上預測。這將是機器學習與結構化數據系列文章的最後一篇，將接續系列二的訓練模型。
架構
這篇文章將用到下圖中虛線內的元件：
部署在 App Engine 上的 Web 應用程式來提供線上預測，並根據母親的相關背景資料，來提供預測嬰兒的體重基本數據。而這篇 Web 應用程式將使用部署在第二篇系列文的 Prediction API 作為其後端基礎。Managed ML Service 將負責託管 Prediction API，並將嬰兒體重預測值回傳到指定的 Web 應用程式的輸入數據。
在開始之前
請先完成第二篇系列文的內容，再開始這一部分。
費用
這篇教學文章將使用以下計價元件：
- App Engine
- Cloud ML Engine
根據定價公式，假設你用上述每個元件一整天，那運行這教程將花費約 0.16 美元。
驗證 Prediction API 服務
- 開一個新的 Cloud Shell 視窗 [OPEN CLOUD SHELL]
- 以下指令會回傳已經部署完畢的模型名稱
gcloud ml-engine models list
確認 babyweight 模型名稱以及回傳的 DEFAULT_VERSION_NAME 等於 soln。NAME DEFAULT_VERSION_NAME babyweight soln
下載 babyweight 應用程式
- 在 Cloud Shell 裡面，下載 babyweight 應用程式的文件，並且設定你現在所處的資料夾。
git clone https://github.com/GoogleCloudPlatform/training-data-analyst cd training-data-analyst/blogs/babyweight/application資料夾中包含以 Python 跟 JavaScript 所編寫的程式碼。以下的文件完成了大部分的工作：
- main.py 這是一個運行在 App Engine 的 Python 程式。它提供一個可以回傳嬰兒體重預測值的 API 服務。從架構圖中可以看到，要取得這個預測值，它使用了部署在 Managed ML Service 上面的 Prediction API 服務。
- templates/form.html 是一個包含 JavaScript 程式碼的 HTML 文件，呈現如下所示的輸入表單。它將 REST API 請求發送到在 App Engine 上運行的後端應用程式，然後顯示結果。
以下是 babyweight應用程式的輸入表單：
跟 Prediction API 互動溝通
以下 main.py 程式碼區段將請求發送到在 Cloud ML Engine 上託管的 Prediction API。要注意以下的行號跟 Github 程式碼庫所顯示的行號是相同的。
32: credentials = GoogleCredentials.get_application_default()
33: api = discovery.build('ml', 'v1', credentials=credentials)
34: project = app_identity.get_application_id()
35: model_name = os.getenv('MODEL_NAME', 'babyweight')
41: def get_prediction(features):
42: input_data = {'instances': [features]}
43: parent = 'projects/%s/models/%s' % (project, model_name)
44: prediction = api.projects().predict(body=input_data, name=parent).execute()
45: return prediction['predictions'][0]['outputs']
此程式碼的邏輯跟您在系列二的訓練模型中使用的 notebook 範例相同。
- 第 33 行實例化一個 API Client object，並透過它的方法在第 44 行發送一個 API 請求。
api = discovery.build('ml', 'v1', credentials=credentials) … prediction = api.projects().predict(body=input_data, name=parent).execute() - 這個 features 選項被傳遞到第 41 行的 get_prediction 。它由一個 Python dictionary 組成，其中包含使用者藉由 input form 所輸入的 input data。在應用程式啟動時，這個 API Client 會被實例化，並重複使用於每次的 prediction call。
def get_prediction(features): - 假設這個 App Engine 程式碼跟您用來創建 Cloud ML Engine 模型是運行在同一個 project 中。 如果不是，則需要在第 34 行中明確指定 Project 名稱，並加上 API keys 或 OAuth 2.0 等身份驗證機制。請參考 Google API Python client 入門指南。
34: project = app_identity.get_application_id() - 在這個範例中，模型版本沒有在第 43 行中被指定，因此將會使用已經部署好的模型預設版本
43: parent = 'projects/%s/models/%s' % (project, model_name)
部署 babyweight 應用程式
- 在 Cloud Shell 中，下載應用程式所需要的程式碼庫
pip install -r requirements.txt -t lib - 部署程式碼
gcloud app create --region=us-central gcloud app deploy
當您在 Cloud Shell 中執行這些命令時，您的 project id 會自動對應到應用程式，應用程式 URL 會被定義為 https://[PROJECT_ID].appspot.com。現在你可以在瀏覽器中輸入 URL 來存取嬰兒體重預測的應用程式。
注意：這個應用程式是公開的，所以你不應該直接使用它，因為它可以在你不知情或未經你許可的情況下被使用。 您應該考慮添加身份驗證。 請參閱 User Authentication。
清理
完成本教程後，記得清除您在 GCP 上創建的資源，將來才不會因此被收費。以下部份將介紹如何刪除這些資源。
刪除 Project
避免被收費的最簡單方式是刪除你為此教程所創建的 Project。
如何刪除 Project：
警告：刪除項目可能會產生以下後果
*如果您刪除的是既有的 Project，那您也會將您在這個 Project 中曾經完成的工作一併刪除。
*您不能重複使用已刪除 Project 的 Project ID。 如果您新建了一個未來可能會用到的客製化 Project ID，則你應該刪除的是 Project 裡面的資源，而非 Project。這可以確保使用 Project ID 的網址（例如appspot.com網址）仍可使用。
*如果您會持續尋找更多的教程和 quickstart，建議您重複使用 Project 以避免超出 Project 的配額限制。
- 進入 Cloud Platform Console，去 Projects 的頁面。
(GO TO THE PROJECTS PAGE) - 在 Project 列表中，選擇要刪除的 project 並點擊 Delete project。
在方框中輸入 Project ID，然後點擊 Shut down 以刪除該 Project。
下一步
- 回顧機器學習相關文章：
省很大！Google Machine Learning Engine 幫你省了哪些工 ? - 試試看 GCP 其他功能，來看看：【懶人包】Google Cloud 基礎教學資源彙集
延伸閱讀
機器學習與結構化數據(1)：數據分析和準備
機器學習與結構化數據 (2-1)：訓練模型
機器學習與結構化數據 (2-2)：訓練模型
(原文翻譯自 Google Cloud。)
