gpu加速R语言 r语言 gpu

基于opencpu构建R语言的RESTful API

一个R语言模型的落地应用有几种方式：可能是一个简单的分析报告，可能是将预测结果输出到数据库，即离线模型，也可能需要实时读入数据进行实时预测输出。第三种情况是最有用，也最难处理的情况。因为要把R和其它通用型语言进行整合并不容易。例如使用Rserve在java中整合R代码就需要开发人员即懂java也懂R，开发量会比较高。一种比较好的思路是将R计算部分作为一个API，其它语言时通过API来调用R的部分。

下面的例子就是一个很简单的预测iris种类。在mac系统中，基于opencpu框架完成，opencpu能将R语言的对象转为http的资源，极大的方便了R语言模型的部署。一共只需要四个步骤。

步骤1：建立模型
步骤2：模型写入R包
步骤3：将R包安装到opencpu服务器上
步骤4：通过API远程调用模型

第一步是R语言建模。

library(rpart) 
 
 m = rpart(Species~., data = iris) 
 
 save(m, file='model.rda') 
 
 模型保存为一个rda文件在硬盘上。

第二步是写一个R包，如今用rstudio写一个R包是非常简单的事了，建立好一个新项目test之后，在R代码中写入预测函数如下。

library(rpart) 
 
 predfunc = function(input){ 
 
   input = as.data.frame(input) 
 
   result = predict.rpart(m,newdata = input,type='class') 
 
   as.character(result) 
 
 } 
 
 可以在R里面验证一下函数是否正常。 
 
 newx = data.frame(Sepal.Length=5.1, 
 
                   Sepal.Width=3.5, 
 
                   Petal.Length=1.4, 
 
                   Petal.Width=0.2) 
 
 predfunc(newx)

然后新建一个data目录，将rda文件放入目录中，build&reload去建立这个名为test的R包。

第三步是安装R包到opencpu服务器上，我事先在本机上安装了opencpu，只需要像安装普通R包一样安装即可。
install.packages(opencpu)
这样在第二步reload时就直接安装好了test的R包。

第四步是实验API调用是否成功。在终端里进R，调用opencpu，即library(opencpu)会自动启动服务，并显示

[httpuv] http://localhost:4678/ocpu 
 
 OpenCPU single-user server ready. 
 

 调用模型时，用curl实验即可。另开一个终端，输入 
 
 curl http://localhost:4678/ocpu/library/test/R/predfunc/json -H "Content-Type: application/json" -d '{"input" :[ {"Sepal.Length":1.1, "Sepal.Width" : 2.5, "Petal.Length":0.4, "Petal.Width":0.9}]}' 
 

 成功返回 
 
 [ 
 
     "setosa" 
 
 ]