使用REST API通過通過燒瓶或FastApi在Python中運(yùn)行模型來彌合PHP和ML模型，並使用捲髮或Guzzle從PHP調(diào)用它。 2。使用Exec（）或Shell_exec（）直接從php運(yùn)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(chǔ)（例如數(shù)據(jù)庫或REDIS），其中PHP排隊(duì)預(yù)測(cè)請(qǐng)求和Python服務(wù)不同步，非常適合長期運(yùn)行任務(wù)。 4。考慮使用TensorFlow.js進(jìn)行前端推理的基於JavaScript的ML，允許PHP在將預(yù)測(cè)卸載到客戶端或Node.js的同時(shí)管理數(shù)據(jù)。始終驗(yàn)證輸入，隔離ML邏輯，緩存結(jié)果和監(jiān)視性能，以確保PHP和ML模型之間有效整合。

將PHP與機(jī)器學(xué)習(xí)（ML）模型集成並不是最常見的方法 - Python主導(dǎo)了ML世界 - 但有時(shí)是完全可能的，有時(shí)是必要的，尤其是在使用Legacy PHP應(yīng)用程序或WordPress等CMS平臺(tái)時(shí)。這是您可以在現(xiàn)實(shí)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(shí)用，最可擴(kuò)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(gòu)建，並使用cURL或GuzzleHTTP從PHP調(diào)用它。

為什麼這有效：

• ML模型（尤其是深度學(xué)習(xí)）在Python中運(yùn)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(yù)測(cè)。

示例：Python燒瓶API

從燒瓶進(jìn)口燒瓶，請(qǐng)求，jsonify
導(dǎo)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(yù)測(cè)= 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(yù)測(cè)：”。 $結(jié)果['預(yù)測(cè)'];

這將您的前端/後端與模型複雜性分開，並允許獨(dú)立縮放。

2。直接從PHP運(yùn)行Python腳本（簡單情況）

對(duì)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(zhí)行Python腳本。

例子：

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

和predict.py ：

導(dǎo)入系統(tǒng)
導(dǎo)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(yù)測(cè)=模型。
打?。A(yù)測(cè)）

警告：

• 安全風(fēng)險(xiǎn)如果用戶輸入未進(jìn)行消毒。
• 由於過程產(chǎn)卵而慢。
• 難以調(diào)試和擴(kuò)展。

最適合內(nèi)部工具或低流量應(yīng)用程序。

3。使用共享存儲(chǔ)（文件，數(shù)據(jù)庫，redis）

在某些設(shè)置中，您可能會(huì)將PHP寫入數(shù)據(jù)庫或文件寫入輸入數(shù)據(jù)，以及用於新請(qǐng)求的單獨(dú)的Python服務(wù)民意調(diào)查，運(yùn)行預(yù)測(cè)並寫下結(jié)果。

工作流：

• PHP將記錄插入具有“待處理”狀態(tài)的predictions_queue表中。
• Python守護(hù)程序檢查隊(duì)列，運(yùn)行模型，更新結(jié)果和狀態(tài)。
• PHP異步檢索結(jié)果（例如，通過AJAX或輪詢）。

這對(duì)於長期運(yùn)行的預(yù)測(cè)或背景任務(wù)很有用。

4。利用基於JavaScript的ML（前端的替代方案）

如果您願(yuàn)意轉(zhuǎn)移一些邏輯，請(qǐng)考慮TensorFlow.js 。您可以在Python中訓(xùn)練模型，將其轉(zhuǎn)換為TensorFlow.js格式，然後直接在瀏覽器或Node.js中運(yùn)行推理。

PHP仍然處理身份驗(yàn)證和數(shù)據(jù)存儲(chǔ)，而預(yù)測(cè)發(fā)生在客戶端或通過node.js microservice。

成功的關(guān)鍵技巧

• 切勿在PHP中公開模型文件或培訓(xùn)邏輯- 隔離的ML代碼。
• 在發(fā)送到ML端點(diǎn)之前，嚴(yán)格驗(yàn)證和消毒輸入。
• 緩存預(yù)測(cè)在可能的情況下（例如，使用redis）減少延遲。
• 使用JSON進(jìn)行交流- 它的輕量級(jí)和普遍支持。
• 監(jiān)視性能-ML推理可能成為瓶頸。

底線

PHP並不適合本地培訓(xùn)或運(yùn)行ML模型，但它通過API或過程間通信良好。關(guān)鍵是使用適合每個(gè)作業(yè)的工具：用於網(wǎng)絡(luò)處理的PHP，用於機(jī)器學(xué)習(xí)的Python。使用乾淨(jìng)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(nèi)容。

以上是將PHP與機(jī)器學(xué)習(xí)模型集成的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！