Gunakan API REST untuk menjembatani model PHP dan ML dengan menjalankan model di Python melalui Flask atau Fastapi dan memanggilnya dari PHP menggunakan curl atau Guzzle. 2. Jalankan skrip python secara langsung dari PHP menggunakan exec () atau shell_exec () untuk kes-kes penggunaan yang mudah, rendah, walaupun pendekatan ini mempunyai batasan keselamatan dan prestasi. 3. Gunakan storan bersama seperti pangkalan data atau redis di mana permintaan ramalan PHP dan perkhidmatan Python memproses mereka secara tidak segerak, sesuai untuk tugas-tugas jangka panjang. 4. Pertimbangkan ML berasaskan JavaScript dengan tensorflow.js untuk kesimpulan frontend, yang membolehkan PHP menguruskan data semasa mengimbangi ramalan kepada klien atau node.js. Sentiasa mengesahkan input, mengasingkan logik ML, hasil cache, dan memantau prestasi untuk memastikan integrasi yang cekap antara model PHP dan ML.

Mengintegrasikan PHP dengan model Pembelajaran Mesin (ML) bukanlah pendekatan yang paling biasa -Python menguasai dunia ML -tetapi ia sepenuhnya mungkin dan kadang -kadang perlu, terutama ketika bekerja dengan aplikasi Legacy PHP atau platform CMS seperti WordPress. Berikut adalah cara anda dapat menyambungkan PHP dengan model ML secara berkesan dalam senario dunia sebenar.

1. Gunakan API REST untuk menjembatani model PHP dan ML

Kaedah yang paling praktikal dan berskala adalah untuk mendedahkan model ML anda melalui API REST , biasanya dibina dalam Python menggunakan rangka kerja seperti Flask atau Fastapi, dan memanggilnya dari PHP menggunakan cURL atau GuzzleHTTP .

Mengapa ini berfungsi:

• Model ML (terutamanya pembelajaran mendalam) berjalan terbaik di Python dengan perpustakaan seperti Tensorflow, Pytorch, atau Scikit-Learn.
• PHP mengendalikan logik web, input pengguna, dan paparan; Python mengendalikan ramalan.

Contoh: Python Flask API

 Dari Flask Import Flask, Permintaan, jsonify
Import Joblib

app = flask (__ name__)
model = joblib.load ('model.pkl')

@App.Route ('/meramalkan', kaedah = ['pos'])
def meramalkan ():
    data = request.json
    Ciri -ciri = [Data ['Feature1'], Data ['Feature2']]
    ramalan = model.predict ([ciri]) [0]
    kembali jsonify ({'ramalan': int (ramalan)})

jika __name__ == '__main__':
    app.run (port = 5000)

Panggilan dari PHP

 $ 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);

Echo "Ramalan:". $ hasil ['ramalan'];

Ini memusnahkan frontend/backend anda dari kerumitan model dan membolehkan penskalaan bebas.

2. Jalankan skrip python secara langsung dari PHP (kes mudah)

Untuk model ringan atau pemprosesan batch, anda boleh melaksanakan skrip python secara langsung dari php menggunakan exec() , shell_exec() , atau proc_open() .

Contoh:

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

Dan predict.py :

 Import sys
Import Joblib

model = joblib.load ('model.pkl')
ciri1 = float (sys.argv [1])
ciri2 = float (sys.argv [2])

Ramalan = Model.Predict ([[Feature1, feature2]]) [0]
Cetak (Ramalan)

Kaveat:

• Risiko keselamatan jika input pengguna tidak dibersihkan.
• Lebih perlahan kerana proses pemijahan.
• Lebih sukar untuk debug dan skala.

Terbaik untuk alat dalaman atau aplikasi trafik rendah.

3. Gunakan penyimpanan bersama (fail, pangkalan data, redis)

Dalam beberapa persediaan, anda mungkin mempunyai data input menulis PHP ke pangkalan data atau fail, dan pemilihan perkhidmatan Python yang berasingan untuk permintaan baru, menjalankan ramalan, dan menulis hasil balik.

Aliran kerja:

• PHP memasukkan rekod ke dalam jadual predictions_queue dengan status "belum selesai".
• Daemon Python memeriksa barisan, menjalankan model, keputusan kemas kini dan status.
• PHP mengambil keputusan secara asynchronously (contohnya, melalui Ajax atau pengundian).

Ini berguna untuk ramalan jangka panjang atau tugas latar belakang.

4. ML Leverage JavaScript (Alternatif untuk Frontend)

Jika anda terbuka untuk memindahkan beberapa logik, pertimbangkan TensorFlow.js . Anda boleh melatih model di Python, menukarnya ke format TensorFlow.js, dan menjalankan kesimpulan secara langsung dalam penyemak imbas atau node.js.

PHP masih mengendalikan pengesahan dan penyimpanan data, manakala ramalan berlaku di sisi pelanggan atau melalui mikroservis Node.js.

Petua utama untuk berjaya

• Jangan sekali -kali mendedahkan fail model atau logik latihan dalam kod PHP -Keep ML yang diasingkan.
• Mengesahkan dan membersihkan input dengan ketat sebelum menghantar ke titik akhir ML.
• Ramalan cache apabila mungkin (contohnya, menggunakan redis) untuk mengurangkan latensi.
• Gunakan JSON untuk Komunikasi - ia ringan dan disokong secara universal.
• Memantau Prestasi -Kesimpulan ML boleh menjadi kesesakan.

Bottom line

PHP tidak sesuai untuk latihan atau menjalankan model ML secara asli, tetapi ia mengintegrasikan dengan baik melalui API atau komunikasi antara proses. Kuncinya adalah menggunakan alat yang tepat untuk setiap pekerjaan : PHP untuk pengendalian web, python untuk pembelajaran mesin. Dengan lapisan API yang bersih, kedua -duanya boleh bekerjasama dengan lancar.

Pada asasnya, pastikan model dalam Python, dedahkan dengan selamat, dan biarkan PHP melakukan apa yang terbaik -menyampaikan kandungan web.

Atas ialah kandungan terperinci Mengintegrasikan PHP dengan model pembelajaran mesin. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!