[Flask] 선형회귀를 활용한 양파가격 예측

• 이 블로그 내의 Flask 내용 일부분은 YouTube 동빈나, '선형회귀를 활용한 배추 가격 예측 AI 개발' 강의를 요약 및 참고한 것입니다. 
• 제가 이해한 대로 정리한 내용이기에 본문의 내용과 상이할 수 있습니다. 

---

기상청 데이터를 활용한 양파가격 예측

 

1. 사용 프로그래밍 언어

       분석 - Python ( tensorflow v 2.3.1)

       웹 - Flask html js css ...

 

2. 데이터

      기간 : 2010.01.01 ~ 2017.12.31

      기상청 데이터 - 평균 풍속, 최저 기온, 최고 기온, 강수량

      양파가격 데이터 - 양파 평균 가격 데이터 (크롤링)

 

3. 시스템 구성도

유튜브(동빈나)를 참조하여 다시 그려서 틀릴 수도 있습니다........................................................................

 

4. 파일 구조

 

5. 소스코드

(1) 처음 모델 만들기 위한 python 소스코드

import tensorflow.compat.v1 as tf
import numpy as np
import pandas as pd
from pandas.io.parsers import read_csv
 
#모델 초기화
model = tf.compat.v1.global_variables_initializer()
 
# 데이터 불러오기
data = pd.read_csv('data.csv', sep =',', encoding='latin1')
 
# 행렬 형태로 데이터 담기
xy = np.array(data, dtype=np.float32)
 
x_data= xy[:, 1:-1] #오른쪽 빼고 다 가져오기
y_data= xy[:, [-1]] #가장 오른쪽만 가져오기
 
tf.__version__ #tensorflow 버전 확인
 
tf.compat.v1.disable_eager_execution()
# (version1)session 정의 후 run 수행하는 과정 -> (version2)바로 실행 
 
X = tf.compat.v1.placeholder(tf.float32, shape=[None, 4])
Y = tf.compat.v1.placeholder(tf.float32, shape=[None, 1])
W = tf.Variable(tf.random_normal([4,1]),name="weight") #가중치
b = tf.Variable(tf.random_normal([1]),name="bias") #bias 값
 
# 선형회귀 (행렬의 곱)
hypothesis = tf.matmul(X, W) + b 
 
# 비용 함수 정의
cost = tf.reduce_mean(tf.square(hypothesis - Y))
 
# 최적화 함수 사용 , 학습률 0.000005 ( 학습률을 적절히 정하는게 중요)
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.000005)
train = optimizer.minimize(cost) #train 시작
 
sess = tf.Session()
sess.run(tf.global_variables_initializer()) 
 
 
# 학습 시작
for step in range(100001):
    cost_, hypo_, _ = sess.run([cost, hypothesis, train], feed_dict={X: x_data, Y: y_data})
 
 
#학습 모델 저장
saver = tf.train.Saver()
save_path = saver.save(sess, "./save.cpkt")
print("학습 모델 저장")
 
# 학습 모델 저장하는 이유 ? 요청때마다 하면 리소스가 너무 낭비
 
 

 

(2) html 소스코드 (일부분)

빨간색 박스 변수를 통하여 Flask에 연결된다.

 

(3) Flask가 포함되어있는 Python 분석 소스코드

#utf-8
from flask import Flask, render_template, request
import tensorflow.compat.v1 as tf
import numpy as np
import datetime
 
#app이라는 플라스크 객체
app = Flask(__name__)
 
tf.compat.v1.disable_eager_execution()
 
X = tf.compat.v1.placeholder(tf.float32, shape=[None, 4])
Y = tf.compat.v1.placeholder(tf.float32, shape=[None, 1])
W = tf.Variable(tf.random_normal([4,1]),name="weight")
b = tf.Variable(tf.random_normal([1]),name="bias")
 
hypothesis = tf.matmul(X, W) + b #가설부분
 
#저장된 모델 가져오기
saver = tf.train.Saver() 
model = tf.compat.v1.global_variables_initializer()
 
sess = tf.Session()
sess.run(model)
 
save_path = "./model/save.cpkt"
saver.restore(sess, save_path)
 
#기본 경로 설정
@app.route("/", methods=['GET','POST']) #기본 경로에 접속시 get, post 메소드 사용 가능하도록
def index():
    if request.method == 'GET':
        return render_template('index.html') #get 시 index.html 보여주기
    if request.method == 'POST':
        avg_temp = float(request.form['avg_temp'])
        min_temp = float(request.form['min_temp'])
        max_temp = float(request.form['max_temp'])
        rain_fall = float(request.form['rain_fall'])
    
    price=0
    
    #사용자가 가져온 데이터 2차원으로 만들고
    data = ((avg_temp, min_temp, max_temp, rain_fall), )
    arr = np.array(data, dtype=np.float32)
    
    x_data = arr[0:4]
    dict = sess.run(hypothesis, feed_dict={X: x_data}) #가설에다가 적용 후 
 
    price = dict[0] #결과값을 출력
    return render_template('index.html',price=price) #price라는 변수에 값 부여
 
 
if __name__ == '__main__': #메인 함수로 지정함으로써 웹서버 구동
    app.run(debug=True)

Flask 소스코드 : 7-8, 29-38, 50-54

Flask 소스코드를 제외한 다른 Python 소스는 위의 '(1) python 소스'와 비슷하다.

 

6. 결과 화면 (웹)

 

 

7. 결론

→ 사용자가 접속할 때마다 처음부터 분석이 아닌 체크포인트 이후만 분석을 하기 때문에 시간 절약 됨

→ Flask를 처음 접하는 사람이 단 기간에 공부하기에 너무 좋음 : )