從如何建立一個Web應用程式到API與部署，獻給工程師與資料科學傢的Flask入門書
本書說明如何使用Python的框架Flask進行Web應用程式的開發。從最簡單的迷你應用程式開始，逐步建立起諮詢錶單，整閤資料庫的應用，加入認證功能，逐步發展成一支功能完整的應用程式。你可以從這個過程當中學到如何使用Flask進行開發。
第二篇將會開發一個可以從識別照片中有哪些東西的物件偵測程式，並說明如何將其轉換為Web API。此外，還會將圖像識別的主題延伸到識別手寫字，並說明如何在程式開發中應用機器學習的技術。
【本書主要內容】
● Flask的基礎知識和開發
○ 建立查詢錶格和資料庫應用程式
○ 建立認證功能
○ 建立物件偵測程式
● 建立和部署API
○ 將物體檢測應用程式轉換為網路API
○ 作為Web API對外發佈
● 機器學習API開發
○ 從分析程式碼開發機器學習API的過程和方法。
【誰適閤閱讀本書】
．想要用Python開Web應用程式的工程師
．對機器學習感興趣的web開發人員
．隻用過Python進行分析的人。
．希望能夠自行開發Web應用程式與API的資料科學傢
具體描述
好的，以下是為您構思的一份關於一本涵蓋瞭現代Web開發、計算機視覺和數據科學核心主題的圖書的詳細簡介，該簡介完全避開瞭您提供的特定書籍的任何內容，並力求自然流暢，不帶AI痕跡： --- 深入探索數據驅動的未來：現代係統構建與智能應用實戰指南 本書旨在為那些希望掌握從底層架構設計到前沿人工智能部署的全棧工程師和數據科學傢提供一份全麵、深入且高度實用的技術藍圖。我們不再滿足於孤立地學習框架或算法，而是聚焦於如何將這些核心技術有機地融閤，構建齣真正具有商業價值和創新潛力的智能應用。 在當今快速迭代的技術浪潮中，僅僅熟悉單一技術棧已不足以應對復雜的工程挑戰。成功的應用往往需要一個健壯可靠的後端支撐，能夠高效處理請求和數據流，同時還要嵌入先進的智能模塊，以實現自動化決策和洞察提取。本書正是為瞭彌閤理論知識與實際工程應用之間的鴻溝而編寫。 第一部分：構建堅不可摧的Web服務基石（後端架構與高性能API設計） 現代應用的核心在於其數據交互層。本部分將帶您超越基礎的“Hello World”，進入企業級後端服務的精髓。 1. 異步編程與並發模型精講： 深入剖析現代服務器如何利用事件驅動模型處理高並發請求。我們將詳細比較不同的並發策略（如多綫程、多進程與異步I/O），並指導讀者如何選擇最適閤特定業務場景的模型。重點講解如何使用高效的協程機製來優化I/O密集型任務的處理效率，確保係統在高負載下的響應速度和穩定性。 2. 數據庫的層次化管理： 不再局限於單一數據庫範式。本章將係統介紹關係型數據庫（SQL）的優化技巧，包括索引的深層原理、事務隔離級彆的選擇對業務邏輯的影響，以及如何利用ORM工具集提升開發效率的同時保持查詢性能。隨後，我們將轉嚮NoSQL解決方案的選型哲學，探討文檔型、鍵值型和圖數據庫分彆適用於哪些數據結構和查詢模式。最後，我們將構建一個統一的數據訪問層（DAL），實現應用與數據庫的解耦。 3. RESTful 與 GraphQL 的實踐對比： 探討構建健壯API的兩種主流範式。我們將詳細演示如何使用最新的標準和最佳實踐來設計清晰、版本化的RESTful服務，並深入探究GraphQL的查詢語言特性，特彆是在微服務架構中如何通過Schema設計來解決傳統REST API中的“過度獲取”或“獲取不足”問題。 4. 容器化與部署流水綫（CI/CD）： 理解“一次構建，處處運行”的哲學。本部分將詳細介紹Docker和Kubernetes的基礎概念，指導讀者如何將復雜的應用堆棧封裝成可移植的容器鏡像。隨後，我們將搭建一個完整的持續集成/持續部署（CI/CD）流水綫，實現從代碼提交到生産環境自動部署的無縫銜接，確保快速、可靠地交付新功能。 第二部分：智能係統的核心驅動力（高級數據處理與分析） 成功的應用程序需要從海量數據中提取有意義的信號。本部分將聚焦於如何將復雜的數學模型轉化為可部署的生産級智能組件。 1. 大數據預處理與特徵工程的藝術： 數據質量決定模型上限。我們將探討處理真實世界數據的常見挑戰，如缺失值插補的策略、異常值檢測的統計學方法，以及如何利用領域知識對原始數據進行降維和特徵轉換。重點講解如何構建可重復、可版本化的特徵流水綫，這是保證模型長期穩定性的關鍵。 2. 機器學習模型部署的工程化： 模型訓練隻是第一步，如何高效、低延遲地將模型集成到實時應用中至關重要。本章將詳細介紹模型序列化（如ONNX格式）和模型服務的框架。我們將實現一個高性能的推理API，並探討批處理（Batching）和模型緩存策略，以應對高並發的預測請求。 3. 強化學習基礎與決策製定： 介紹一種超越監督學習的智能範式——強化學習（RL）。我們將從馬爾可夫決策過程（MDP）入手，逐步解析Q-Learning和策略梯度方法的原理。通過一個模擬環境的實戰案例，展示如何利用RL技術解決序列決策問題，例如資源調度或動態定價策略。 4. 可解釋性人工智能（XAI）的應用： 在關鍵業務決策中，模型必須是透明的。本部分將教授如何使用LIME、SHAP等工具，深入理解復雜模型（如深度神經網絡）的預測邏輯。我們將演示如何將模型解釋性指標集成到開發流程中，以滿足閤規性要求並增強用戶信任。 第三部分：跨領域技術棧的無縫整閤與實戰項目 本書的最終目標是展示如何將第一、二部分的技術棧融會貫通，解決一個完整的、具有挑戰性的行業問題。我們將構建一個端到端的智能決策支持係統，它不僅需要一個響應迅速的Web界麵，還需要強大的後颱數據處理能力和實時的智能推理模塊。 通過本書的學習，讀者將不僅僅是某個框架的使用者，而是能夠設計、構建和維護新一代數據驅動、高度自動化的復雜軟件係統的架構師和工程師。這套知識體係，確保您在快速變化的技術領域中，始終站在創新的前沿。
著者信息
圖書目錄
【第0篇 緒論】
第0章 Flask 的概要與環境架設
0.1 Flask 的設計思維
0.2 為何要使用 Flask
0.3 Python 網路框架的比較
0.4 環境架設
【第1篇 Flask 入門】
第1章 建立最基礎的應用程式 - Flask 的基礎知識
1.1 MVT（Model、View、Template）模型
1.2 建立最基礎的應用程式
1.3 建立諮詢錶單
1.4 Cookie
1.5 Session
1.6 Response
第2章 建立資料庫應用程式
2.1 目錄架構
2.2 啟動應用程式 - 使用 Blueprint
2.3 設置 SQLAlchemy
2,4 操作資料庫
2.5 建立使用資料庫的 CRUD 應用程式
2.6 模闆的通用化與繼承
2.7 設定組態
第3章 建立驗證功能
3.1 準備建立的驗證功能與目錄架構
3.2 應用程式登錄驗證功能
3.3 建立註冊功能
3.4 建立登入功能
3.5 建立登齣功能
【第2篇 Flask 實踐 1 - 開發物件偵測應用程式】
第4章 應用程式的規格與準備
4.1 物件偵測應用程式的規格
4.2 目錄架構
4.3 登錄物件偵測應用程式
第5章 建立圖片列錶頁麵
5.1 建立 UserImage 模型
5.2 建立圖片列錶頁麵的端點
5.3 建立圖片列錶頁麵的模闆
5.4 SQLAlchemy 的錶格連結與關聯性建立
第6章 建立註冊與登入頁麵
6.1 修改註冊頁麵的端點
6.2 建立通用標頭
6.3 修改註冊頁麵的模闆
6.4 修改登入頁麵的端點
6.5 修改登入頁麵的模闆
6.6 確認註冊／登入頁麵的運作情況
第7章 建立圖片上傳頁麵
7.1 指定圖片上傳目的地
7.2 建立顯示圖片的端點
7.3 圖片列錶頁麵增加圖片上傳頁麵的連結與圖片列錶
7.4 建立圖片上傳頁麵的錶單類別
7.5 建立圖片上傳頁麵的端點
7.6 建立圖片上傳頁麵的模闆
7.7 確認圖片上傳頁麵的運作情況
第8章 建立物件偵測功能
8.1 建立 UserImageTags 模型
8.2 建立物件偵測功能的錶單類別
8.3 設置物件偵測功能的程式庫
8.4 建立物件偵測功能的端點
8.5 在圖片列錶頁麵顯示標記訊息
8.6 在圖片列錶頁麵顯示【檢測】按鈕與標記訊息
8.7 確認物件偵測功能的運作情況
8.8 建立圖片刪除功能
第9章 建立搜尋功能
9.1 建立圖片搜尋功能的端點
9.2 建立圖片搜尋功能的模闆
9.3 確認圖片搜尋功能的運作情況
第10章 建立自訂錯誤頁麵
10.1 建立自訂錯誤頁麵的端點
10.2 建立自訂錯誤頁麵的模闆
10.3 確認自訂錯誤頁麵的顯示內容
第11章 建立單元測試
11.1 嘗試使用pytest
11.2 pytest 的 fixture 夾具
11.3 建立物件偵測應用程式的測試
【第3篇 Flask 實踐 2 - 建立/部署物件偵測功能的 API】
第12章 網路 API 的概要
12.1 World Wide Web（WWW）與 API 的意義
12.2 錶示資源位置的網址功用
12.3 HTTP 方法的 CRUD 資源操作
第13章 物件偵測 API 的規格
13.1 物件偵測 API 的處理流程
13.2 安裝 PyTorch 與儲存已學習模型
第14章 實作物件偵測 API
14.1 物件偵測 API 的目錄架構與模組
14.2 準備實作
14.3 實作 1｜編寫 API 的啟動程式碼
14.4 實作 2｜編寫資料準備／前處理／後處理的程式碼
14.5 實作 3｜編寫已學習模型的執行程式碼
14.6 實作 4｜實作路由建置
第15章 部署物件偵測應用程式
15.1 Docker 的概要
15.2 Cloud Run 的概要
15.3 Dock 的使用準備
15.4 Cloud Run 的使用準備
15.5 步驟1｜Google Cloud 的 configuration 初始設定
15.6 步驟2｜製作 Dockerfile
15.7 步驟3｜建置 Docker 映像檔
15.8 步驟4｜將 Docker 映像檔加入 GCR
15.9 步驟5｜部署至 Cloud Run
【第4篇 開發機器學習 API】
第16章 機器學習的概要
16.1 機器學習的相關概念
16.2 機器學習處理的資料
16.3 機器學習處理的任務
16.4 演算法的數學式和程式碼錶達
16.5 機器學習利用的 Python 程式庫
16.6 以 Python 程式庫實踐邏輯迴歸
第17章 機器學習 API 的開發程序與實踐
17.1 選定最佳的機器學習演算法／模型
17.2 實作機器學習演算法／模型
17.3 機器學習 API 的規格
17.4 準備開發
17.5 實作程序 1｜編寫分析腳本的產品程式碼
17.6 實作程序 2｜建立產品程式碼的 API
17.7 確認正常運作的情況
17.8 機器學習 API 到機器學習的基礎設施、MLOps
索引
作者／監修者簡介
第0章 Flask 的概要與環境架設
0.1 Flask 的設計思維
0.2 為何要使用 Flask
0.3 Python 網路框架的比較
0.4 環境架設
【第1篇 Flask 入門】
第1章 建立最基礎的應用程式 - Flask 的基礎知識
1.1 MVT（Model、View、Template）模型
1.2 建立最基礎的應用程式
1.3 建立諮詢錶單
1.4 Cookie
1.5 Session
1.6 Response
第2章 建立資料庫應用程式
2.1 目錄架構
2.2 啟動應用程式 - 使用 Blueprint
2.3 設置 SQLAlchemy
2,4 操作資料庫
2.5 建立使用資料庫的 CRUD 應用程式
2.6 模闆的通用化與繼承
2.7 設定組態
第3章 建立驗證功能
3.1 準備建立的驗證功能與目錄架構
3.2 應用程式登錄驗證功能
3.3 建立註冊功能
3.4 建立登入功能
3.5 建立登齣功能
【第2篇 Flask 實踐 1 - 開發物件偵測應用程式】
第4章 應用程式的規格與準備
4.1 物件偵測應用程式的規格
4.2 目錄架構
4.3 登錄物件偵測應用程式
第5章 建立圖片列錶頁麵
5.1 建立 UserImage 模型
5.2 建立圖片列錶頁麵的端點
5.3 建立圖片列錶頁麵的模闆
5.4 SQLAlchemy 的錶格連結與關聯性建立
第6章 建立註冊與登入頁麵
6.1 修改註冊頁麵的端點
6.2 建立通用標頭
6.3 修改註冊頁麵的模闆
6.4 修改登入頁麵的端點
6.5 修改登入頁麵的模闆
6.6 確認註冊／登入頁麵的運作情況
第7章 建立圖片上傳頁麵
7.1 指定圖片上傳目的地
7.2 建立顯示圖片的端點
7.3 圖片列錶頁麵增加圖片上傳頁麵的連結與圖片列錶
7.4 建立圖片上傳頁麵的錶單類別
7.5 建立圖片上傳頁麵的端點
7.6 建立圖片上傳頁麵的模闆
7.7 確認圖片上傳頁麵的運作情況
第8章 建立物件偵測功能
8.1 建立 UserImageTags 模型
8.2 建立物件偵測功能的錶單類別
8.3 設置物件偵測功能的程式庫
8.4 建立物件偵測功能的端點
8.5 在圖片列錶頁麵顯示標記訊息
8.6 在圖片列錶頁麵顯示【檢測】按鈕與標記訊息
8.7 確認物件偵測功能的運作情況
8.8 建立圖片刪除功能
第9章 建立搜尋功能
9.1 建立圖片搜尋功能的端點
9.2 建立圖片搜尋功能的模闆
9.3 確認圖片搜尋功能的運作情況
第10章 建立自訂錯誤頁麵
10.1 建立自訂錯誤頁麵的端點
10.2 建立自訂錯誤頁麵的模闆
10.3 確認自訂錯誤頁麵的顯示內容
第11章 建立單元測試
11.1 嘗試使用pytest
11.2 pytest 的 fixture 夾具
11.3 建立物件偵測應用程式的測試
【第3篇 Flask 實踐 2 - 建立/部署物件偵測功能的 API】
第12章 網路 API 的概要
12.1 World Wide Web（WWW）與 API 的意義
12.2 錶示資源位置的網址功用
12.3 HTTP 方法的 CRUD 資源操作
第13章 物件偵測 API 的規格
13.1 物件偵測 API 的處理流程
13.2 安裝 PyTorch 與儲存已學習模型
第14章 實作物件偵測 API
14.1 物件偵測 API 的目錄架構與模組
14.2 準備實作
14.3 實作 1｜編寫 API 的啟動程式碼
14.4 實作 2｜編寫資料準備／前處理／後處理的程式碼
14.5 實作 3｜編寫已學習模型的執行程式碼
14.6 實作 4｜實作路由建置
第15章 部署物件偵測應用程式
15.1 Docker 的概要
15.2 Cloud Run 的概要
15.3 Dock 的使用準備
15.4 Cloud Run 的使用準備
15.5 步驟1｜Google Cloud 的 configuration 初始設定
15.6 步驟2｜製作 Dockerfile
15.7 步驟3｜建置 Docker 映像檔
15.8 步驟4｜將 Docker 映像檔加入 GCR
15.9 步驟5｜部署至 Cloud Run
【第4篇 開發機器學習 API】
第16章 機器學習的概要
16.1 機器學習的相關概念
16.2 機器學習處理的資料
16.3 機器學習處理的任務
16.4 演算法的數學式和程式碼錶達
16.5 機器學習利用的 Python 程式庫
16.6 以 Python 程式庫實踐邏輯迴歸
第17章 機器學習 API 的開發程序與實踐
17.1 選定最佳的機器學習演算法／模型
17.2 實作機器學習演算法／模型
17.3 機器學習 API 的規格
17.4 準備開發
17.5 實作程序 1｜編寫分析腳本的產品程式碼
17.6 實作程序 2｜建立產品程式碼的 API
17.7 確認正常運作的情況
17.8 機器學習 API 到機器學習的基礎設施、MLOps
索引
作者／監修者簡介
圖書試讀
序
Flask是一種Python Web微型框架，是Armin Ronacher 於2010 年4月1日作為愚人節玩笑所發錶的，之後在Python使用者之間獲得極大的歡迎。根據2018年Python開發人員的調查，Flask獲選為最受歡迎具人氣的網路框架，至今依舊受到歡迎。
本書的目的是幫助你藉由透過Flask實作網路應用程式（下稱應用程式）的過程，學會自行製作應用程式。從建立最簡單的應用程式開始，逐步製作諮詢錶單、資料庫應用程式、驗證功能，學習Flask 開發應用程式的基礎知識。接著，建立由圖片資料（照片）識別物體的物體檢測應用程式，學習如何製作實際可用的應用程式後，再講解如何將該功能轉為網路API。
Flask是一種微型框架，不同於其他受限於重重規範的大型框架，可以相當靈活的運用。而且，由於框架本身內建的功能不多，具備自行思考實作的餘裕、自由度，是適閤用來學習應用程式開發的網路框架。
在商務領域上，模擬實證試驗、開發概念產品等小規模專案，框架部分經常採用Flask微型框架。此外，在開發機器學習等運用資料的產品時，往往也是採用Flask將機器學習的實作程式碼嵌入產品，作成通用的網路API 提供服務。由於運用資料的產品開發歷史尚淺，如何將機器學習嵌入產品發布成應用程式的範本並不多。有鑑於此，本書的分析腳本題材採用易於瞭解機器學習運作的手寫文字辨識，詳細解說如何將機器學習嵌入應用程式。
對於今後想用Flask 開發應用程式、欲將機器學習嵌入應用程式的各位讀者，期望本書能夠帶來幫助。
Flask是一種Python Web微型框架，是Armin Ronacher 於2010 年4月1日作為愚人節玩笑所發錶的，之後在Python使用者之間獲得極大的歡迎。根據2018年Python開發人員的調查，Flask獲選為最受歡迎具人氣的網路框架，至今依舊受到歡迎。
本書的目的是幫助你藉由透過Flask實作網路應用程式（下稱應用程式）的過程，學會自行製作應用程式。從建立最簡單的應用程式開始，逐步製作諮詢錶單、資料庫應用程式、驗證功能，學習Flask 開發應用程式的基礎知識。接著，建立由圖片資料（照片）識別物體的物體檢測應用程式，學習如何製作實際可用的應用程式後，再講解如何將該功能轉為網路API。
Flask是一種微型框架，不同於其他受限於重重規範的大型框架，可以相當靈活的運用。而且，由於框架本身內建的功能不多，具備自行思考實作的餘裕、自由度，是適閤用來學習應用程式開發的網路框架。
在商務領域上，模擬實證試驗、開發概念產品等小規模專案，框架部分經常採用Flask微型框架。此外，在開發機器學習等運用資料的產品時，往往也是採用Flask將機器學習的實作程式碼嵌入產品，作成通用的網路API 提供服務。由於運用資料的產品開發歷史尚淺，如何將機器學習嵌入產品發布成應用程式的範本並不多。有鑑於此，本書的分析腳本題材採用易於瞭解機器學習運作的手寫文字辨識，詳細解說如何將機器學習嵌入應用程式。
對於今後想用Flask 開發應用程式、欲將機器學習嵌入應用程式的各位讀者，期望本書能夠帶來幫助。
用戶評價
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 ttbooks.qciss.net All Rights Reserved. 小特书站 版權所有