Utilisez une API REST pour combler les modèles PHP et ML en exécutant le modèle dans Python via Flask ou Fastapi et en l'appelant à partir de PHP à l'aide de Curl ou Guzzle. 2. Exécutez les scripts Python directement à partir de PHP à l'aide de Exec () ou Shell_Exec () pour des cas d'utilisation simples et à faible trafic, bien que cette approche ait des limitations de sécurité et de performances. 3. Utilisez un stockage partagé comme des bases de données ou Redis où les files d'attente de files d'attente PHP et un service Python les traitent de manière asynchrone, idéale pour les taches de longue durée. 4. Considérons ML basé sur JavaScript avec Tensorflow.js pour l'inférence Frontend, permettant à PHP de gérer les données tout en déchargeant les prédictions au client ou Node.js. Valider toujours les entrées, isoler la logique ML, les résultats du cache et surveiller les performances pour assurer une intégration efficace entre les modèles PHP et ML.

L'intégration de PHP aux modèles d'apprentissage automatique (ML) n'est pas l'approche la plus courante - Python domine le monde ML, mais il est tout à fait possible et parfois nécessaire, en particulier lorsque vous travaillez avec des applications PHP héritées ou des plates-formes CMS comme WordPress. Voici comment vous pouvez connecter efficacement PHP avec les modèles ML dans des scénarios du monde réel.

1. Utilisez une API REST pour combler les modèles PHP et ML

La méthode la plus pratique et la plus évolutive consiste à exposer votre modèle ML via une API REST , généralement intégrée dans Python à l'aide de frameworks comme Flask ou Fastapi, et de l'appeler à partir de PHP à l'aide cURL ou GuzzleHTTP .

Pourquoi cela fonctionne:

• Les modèles ML (en particulier l'apprentissage en profondeur) fonctionnent mieux en python avec des bibliothèques comme TensorFlow, Pytorch ou Scikit-Learn.
• PHP gère la logique Web, la saisie de l'utilisateur et l'affichage; Python gère la prédiction.

Exemple: API Python Flask

 à partir du flacon de flacon, demande, jsonify
Importer un Joblib

app = flacon (__ name__)
modèle = joblib.load ('modèle.pkl')

@ app.Route ('/ prédire', méthodes = ['post'])
Def prédire ():
    data = request.json
    fonctionnalités = [data ['ftealing1'], data ['ftealing2']]
    prédiction = modèle.predict ([caractéristiques]) [0]
    return jSonify ({'Prediction': int (prédiction)})

Si __Name__ == '__MAIN__':
    app.run (port = 5000)

Appel de PHP

 $ data = ['ftealing1' => 5.1, 'ftealing2' => 3,5];
$ ch = curl_init ('http: // localhost: 5000 / prédict');
curl_setopt ($ ch, curlopt_returntransfer, true);
curl_setopt ($ ch, curlopt_postfields, json_encode ($ data));
curl_setopt ($ ch, curlopt_httpheader, ['contenu-type: application / json']);

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

écho "Prédiction:". $ résultat [?prédiction?];

Cela découple votre frontend / backend à partir de la complexité du modèle et permet une mise à l'échelle indépendante.

2. Exécutez les scripts Python directement à partir de PHP (cas simples)

Pour les modèles légers ou le traitement par lots, vous pouvez exécuter un script Python directement à partir de PHP à l'aide de exec() , shell_exec() ou proc_open() .

Exemple:

 $ output = shell_exec ('python3 Predict.py 5.1 3.5');
Echo $ sortie;

Et predict.py :

 importer sys
Importer un Joblib

modèle = joblib.load ('modèle.pkl')
FEATURE1 = float (sys.argv [1])
FEATURE2 = float (sys.argv [2])

Prediction = Model.predict ([[FEATION1, FEARTAGE2]]) [0]
Impression (prédiction)

Mises en garde:

• Risque de sécurité si la contribution des utilisateurs n'est pas désinfectée.
• Plus lent en raison du frai des processus.
• Plus difficile à déboguer et à évoluer.

Mieux pour les outils internes ou les applications à faible trafic.

3. Utilisez le stockage partagé (fichiers, bases de données, redis)

Dans certaines configurations, vous pouvez avoir des données d'entrée PHP à une base de données ou un fichier, et un service de service Python distinct pour de nouvelles demandes, exécute des prédictions et rédige les résultats.

Flux de travail:

• PHP insère un enregistrement dans une table predictions_queue avec le statut "en attente".
• Un démon Python vérifie la file d'attente, exécute le modèle, met à jour le résultat et l'état.
• PHP récupère le résultat de manière asynchrone (par exemple, via Ajax ou sondage).

Ceci est utile pour les prédictions de longue date ou les taches de fond.

4. Tirez parti de la ML basée sur JavaScript (alternative pour le frontend)

Si vous êtes ouvert à changer de logique, considérez Tensorflow.js . Vous pouvez former un modèle en python, le convertir au format tensorflow.js et exécuter l'inférence directement dans le navigateur ou node.js.

PHP gère toujours l'authentification et le stockage de données, tandis que la prédiction se produit c?té client ou via un microservice Node.js.

Conseils clés pour réussir

• N'exposez jamais les fichiers du modèle ou la logique de formation en PHP - Conservez le code ML isolé.
• Valider et désinfecter les entrées rigoureusement avant d'envoyer aux points de terminaison ML.
• Prédictions de cache lorsque cela est possible (par exemple, en utilisant Redis) pour réduire la latence.
• Utilisez JSON pour la communication - il est léger et universellement soutenu.
• Performances de surveillance - L'inférence ML peut devenir un goulot d'étranglement.

Fin de compte

PHP n'est pas idéal pour la formation ou l'exécution de modèles ML nativement, mais il s'intègre bien via des API ou de la communication interprète. La clé consiste à utiliser le bon outil pour chaque travail : PHP pour la manipulation du Web, Python pour l'apprentissage automatique. Avec une couche API propre, les deux peuvent travailler ensemble de manière transparente.

Fondamentalement, gardez le modèle en python, exposez-le en toute sécurité et laissez PHP faire ce qu'il fait le mieux: réserver du contenu Web.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!