HerokuでDockerが使えるようになっていたので、遅まきながら、機械学習を使ったAPIを5ステップで作成してみた。
STEP1: 事前準備
herokuへサインアップし、APPを作成。
また、herokuコマンドとdockerをインストールして使えるようにしておく。
STEP2: サンプルコードを入手
heroku公式のminicondaイメージのサンプルコードがあるので、コレをベースに使用。
$ git clone https://github.com/heroku-examples/python-miniconda.git
ざっと中身を確認すると、
- python 2.7
- miniconda環境構築済み (condaコマンドが使える)
- scikit-learn導入済み
- webフレームワークはflask
- gunicornでwsgi
- ポート番号は環境変数PORTで指定
となっていた。
STEP3: APIを実装
heroku用だろうと特に変わることはないので、いつものようにサクッと実装する。
開発中にライブラリを追加した場合は、Dockerfileへの反映も忘れずに。
pandas等condaで追加するもの -> Dockerfile内のconda installに追記 pipでインストールするもの -> requirements.txt
STEP4: ローカルで動作チェック
Dockerコンテナを起動して動作を確認する。
引数指定がめんどうなので、docker-compose.ymlを作成してdocker-composeを使用することにする。
# docker-compose.yml
version: "2"
services:
app:
build: .
ports:
- "8100:8100"
environment:
PORT: "8100"
コンテナ起動とブラウザで動作チェック。
$ docker-compose up
$ xdg-open http://localhost:8100
STEP5: herokuへデプロイ
ここからがherokuで行う操作となるが、いくつかコマンドを打つだけで本番反映まで行える。素晴らしい。
$ heroku login
Email: nobody@somewhere.com
Password: ********
$ heroku container:login
$ heroku container:push web -a アプリ名
$ heroku container:release web -a アプリ名
以上で完了。
終わり
Heroku の Docker Registry & Runtime (Docker Deploy)は、ほぼストレスフリーで簡単に使用できる完成度の高いプラットフォームと思う。
詰まったところといえば、サンプルコードのREADME.md記載の手順が少し古かったところぐらい。
container-registry用のpluginをインストールするよう書かれていたが、現在は不要。
作ったもの
結局、何を作ったかというとIPO銘柄の初値予想APIを作った。
過去のIPOデータを学習させてRidge回帰で暴騰率を予測させている。スコア的には残念だが、雰囲気はでていると思う。
ブラウザの場合は、http://ipo-cal.herokuapp.comへアクセスするとGUIで試せる。
API本体はhttp://ipo-cal.herokuapp.com/api/predictで公開している。
curlだと以下のように呼び出す。
$ curl -X POST \
-H "Content-type: application/json" \
-d '[{"code":"4385", "market":3, "sector":25, "price": 3000.0, "fund":122142.9, "kobo":18159.5, "uri":22554.8}]' \
http://ipo-cal.herokuapp.com/api/predict
{"data":[{"code":"4385","inflation":189.6046720498996,"price":5700,"rank":3}],"status":"success"}
json文字列をhttp://ipo-cal.herokuapp.com/api/predictへpostするだけでOK。
配列にして一度に50件までまとめて実行できる。
レスポンスはJsendに概ね準拠している。
レスポンスがなかなか返ってこない時は、サーバーがスリープしている。コンテナが起動するまでしばらくかかるので、10秒ほど待機してからリトライしてみて欲しい。
