REST APIを使用して、FlaskまたはFastapiを介してPythonでモデルを?qū)g行し、CurlまたはGuzzleを使用してPHPから呼び出すことにより、PHPおよびMLモデルをブリッジします。 2.このアプローチにはセキュリティとパフォーマンスの制限がありますが、単純で低トラフィックユースケースのために、exec（）またはshell_exec（）を使用してPHPからPythonスクリプトを直接実行します。 3. PHPが予測(cè)要求をキューにキューするデータベースやRedisなどの共有ストレージを使用し、Pythonサービスは非同期にそれらを処理し、長期にわたるタスクに最適です。 4.フロントエンドの推論用のtensorflow.jsを使用したJavaScriptベースのMLを検討し、PHPがクライアントまたはnode.jsに予測(cè)をオフロードしながらデータを管理できるようにします。常に入力を検証し、MLロジックを分離し、結(jié)果をキャッシュし、パフォーマンスを監(jiān)視して、PHPモデルとMLモデル間の効率的な統(tǒng)合を確保します。

PHPを機(jī)械學(xué)習(xí)（ML）モデルと統(tǒng)合することは最も一般的なアプローチではありません。PythonはMLの世界を支配していますが、特にWordPressなどのレガシーPHPアプリケーションまたはCMSプラットフォームを操作する場(chǎng)合は、完全に可能であり、時(shí)には必要です。実際のシナリオでPHPをMLモデルに効果的に接続する方法は次のとおりです。

1.レストAPIを使用して、PHPおよびMLモデルをブリッジします

最も実用的でスケーラブルな方法は、FlaskやFastapiなどのフレームワークを使用して通常Pythonで構(gòu)築されたREST APIを介してMLモデルを公開し、 cURLまたはGuzzleHTTPを使用してPHPから呼び出すことです。

なぜこれが機(jī)能するのか：

• MLモデル（特にディープラーニング）は、Tensorflow、Pytorch、Scikit-Learnなどのライブラリを使用して、Pythonで最もよく実行されます。
• PHPは、Webロジック、ユーザー入力、および表示を処理します。 Pythonは予測(cè)を処理します。

例：Python Flask API

フラスコのインポートフラスコから、リクエスト、jsonify
Joblibをインポートします

app = flask（__name__）
Model = Joblib.load（ 'model.pkl'）

@app.route（ '/predict'、method = ['post']）
def predict（）：
    data = request.json
    feature = [data ['feature1']、data ['feature2']]]
    Prediction = model.predict（[feature]）[0]
    return jsonify（{'Prediction'：int（Prediction）}）

__name__ == '__main__'の場(chǎng)合：
    app.run（port = 5000）

PHPから電話

$ 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（$ response、true）;
curl_close（$ ch）;

エコー「予測(cè)：」。 $ result ['prediction'];

これにより、フロントエンド/バックエンドがモデルの複雑さから切り離され、獨(dú)立したスケーリングが可能になります。

2。PHPから直接Pythonスクリプトを?qū)g行する（単純なケース）

軽量モデルまたはバッチ処理の場(chǎng)合、 exec() 、 shell_exec() 、またはproc_open()を使用してphpからpythonスクリプトを直接実行できます。

例：

 $ output = shell_exec（ 'python3 predict.py 5.1 3.5'）;
echo $ output;

とpredict.py ：

 sysをインポートします
Joblibをインポートします

Model = Joblib.load（ 'model.pkl'）
feature1 = float（sys.argv [1]）
feature2 = float（sys.argv [2]）

Prediction = model.predict（[[feation1、feature2]]）[0]
印刷（予測(cè)）

警告：

• ユーザー入力が消毒されていない場(chǎng)合のセキュリティリスク。
• プロセスの産卵により遅い。
• デバッグとスケーリングが難しい。

內(nèi)部ツールまたは低トラフィックアプリケーションに最適です。

3.共有ストレージ（ファイル、データベース、Redis）を使用します

一部のセットアップでは、データベースまたはファイルへのPHP書き込み入力データと、新しいリクエストのための個(gè)別のPythonサービスポーリングがある場(chǎng)合があります。予測(cè)を?qū)g行し、結(jié)果を書き込みます。

ワークフロー：

• PHPは、ステータス「PENDING」を備えたpredictions_queueテーブルにレコードを挿入します。
• Pythonデーモンがキューをチェックし、モデルを?qū)g行し、結(jié)果とステータスを更新します。
• PHPは、結(jié)果を非同期に取得します（たとえば、AjaxまたはPollingを介して）。

これは、長期にわたる予測(cè)や背景タスクに役立ちます。

4. JavaScriptベースのMLをレバレッジ（フロントエンドの代替）

いくつかのロジックをシフトすることができる場(chǎng)合は、 tensorflow.jsを検討してください。モデルをPythonでトレーニングし、Tensorflow.js形式に変換し、ブラウザまたはnode.jsで直接推論を?qū)g行できます。

PHPは引き続き認(rèn)証とデータストレージを処理しますが、予測(cè)はクライアント側(cè)またはnode.jsマイクロサービスを介して行われます。

成功のための重要なヒント

• PHPでモデルファイルやトレーニングロジックを公開しないでください。MLコードを分離してください。
• MLエンドポイントに送信する前に、入力を厳密に検証および消毒します。
• 可能な場(chǎng)合（例えば、Redisを使用する）、レイテンシを減らすために予測(cè)をキャッシュします。
• コミュニケーションにはJSONを使用します。これは軽量で普遍的にサポートされています。
• モニターパフォーマンス- ML推論はボトルネックになる可能性があります。

結(jié)論

PHPは、MLモデルをネイティブにトレーニングまたは実行するのに理想的ではありませんが、APIまたはプロセス間通信を介してうまく統(tǒng)合されます。重要なのは、各ジョブに適切なツールを使用することです。WebハンドリングにはPHP、機(jī)械學(xué)習(xí)にはPythonです。きれいなAPIレイヤーを使用すると、2つはシームレスに連攜できます。

基本的に、モデルをPythonに保持し、安全に公開し、PHPに最善のことをさせてください - Webコンテンツを使用してください。

以上がPHPを機(jī)械學(xué)習(xí)モデルと統(tǒng)合しますの詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國語 Web サイトの他の関連記事を參照してください。