部署目的

我们已经有一个由python训练的sklearn模型以及一个Android系统APP，我们的目的是将python导出的决策树pmml模型部署到Android设备上使用。

部署流程

当部署pmml到Android设备时，需要两步的工作，第一步是将离线训练得到的模型转化为pmml模型文件,这已经在训练中完成，第二步是将PMML模型文件载入在线预测环境，进行预测。这两步都需要相关的库支持

1.PMML模型导出

对于一个决策树模型，我们使用如下的语言来保存期PMML格式，其中我们包的版本为：

模型保存在res/DecisionTreeClassifier.pmml目录下，注意x_train以及y_train是训练数据的输入与输出，保存的pmml模型可以用于任何平台。

# 导出pmml模型
    clf2 = DecisionTreeClassifier()
    pipeline = PMMLPipeline([("classifier", clf2)])
    pipeline.fit(x_train, y_train)
    sklearn2pmml(pipeline, 'res/DecisionTreeClassifier.pmml', with_repr=True)

2.PMML模型序列化

在使用机器学习APP项目前，首先需要考虑如何将之前训练的scikit-learn决策树模型部署到手机上，由于之前的决策树模型已经实现sklearn2pmml包导出为pmml模式，pmml模型通过相关库的支持可以直接在计算机Java平台上运行，但是Android不提供自己的JAXB(Java Architecture for XML Binding (JAXB))运行时，通常不适合使用标准JAXB运行时间，如GlassFish Metro或EclipseLink MOXy。因此，org.dmg.pmml.pmml实例必须通过其他方式获得。 建议的解决方法是使用Java序列化来传输模型。这里通过pmml-android项目首先将pmml模型文件序列化为ser文件后在Android设备上执行，具体转化步骤如下：

(1) 将生成的pmml文件中的xml头部的PMML-Version以及jpmml-model版本化为一致的4.3版本(现在一般生成的是4.4版本，但是因为pmml-android库支持的是4.3版本，所以需要改成4.3）：
即将：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<PMML xmlns="http://www.dmg.org/PMML-4_4" xmlns:data="http://jpmml.org/jpmml-model/InlineTable" version="4.4">

修改为：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<PMML xmlns="http://www.dmg.org/PMML-4_3" xmlns:data="http://jpmml.org/jpmml-model/InlineTable" version="4.3">

(2) sklearn模型转换pmml格式后，需要先进行序列化操作。此处需要下载pmml-android项目，项目地址为https://github.com/loopGod/pmml-android，项目编译支持Android版本3.0以上，jdk版本为版本8以下，版本9及以上需要自己集成JAXB，这里建议使用jdk-1.8，项目目录如下：

C:.
│  LICENSE.txt
│  pom.xml      # 库引入文件
│  README.md
│
├─pmml-android  # Android操作系统的PMML evaluator库
│  │  pom.xml # 库引入文件
│  │
│  ├─src
│  │  └─main
│  │      ├─android
│  │      │      AndroidManifest.xml #清单文件
│  │      │
│  │      └─java
│  │          └─org
│  │              └─jpmml
│  │                  └─android
│  │                          EvaluatorUtil.java # 序列化pmml文件
│  │
│  └─target
│      │  original-pmml-android-1.0-SNAPSHOT.jar  # 生成的JPMML-Android原始库
│      │  pmml-android-1.0-SNAPSHOT.jar
                                              # 生成的JPMML-Android库
│      │
│      ├─classes
│      │  └─org
│      │      └─jpmml
│      │          └─android
│      │                  EvaluatorUtil.class
│      │
│      ├─maven-archiver
│      │      pom.properties
│      │
│      └─maven-status目录
│          └─maven-compiler-plugin            # maven编译相关
│              └─compile
│                  └─default-compile
│                          createdFiles.lst
│                          inputFiles.lst
│
└─pmml-android-example                 # android=pmml示例程序
    │  pom.xml
    │
    ├─src     
    │  └─main
    │      ├─android
    │      │  │  AndroidManifest.xml   #清单文件
    │      │  │
    │      │  └─resources      # 资源文件
    │      │      ├─…
    │      ├─java
    │      │  └─org
    │      │      └─jpmml
    │      │          └─android  #主界面实现文件
    │      │                  MainActivity.java
    │      │
    │      └─pmml       # 待使用pmml文件
    │              model.pmml
    │
    └─target
        │  AndroidManifest.xml
        │  classes.dex
        │  pmml-android-example-1.0-SNAPSHOT.apk #生成的示例apk
        │  pmml-android-example-1.0-SNAPSHOT.ap_
        │  pmml-android-example-1.0-SNAPSHOT.jar  
        │  R.txt
        │
        ├─classes
        │  └─org
        │      └─jpmml
        │          └─android #相关类文件目录
        │
        ├─generated-sources
        │  ├─combined-assets
        │  │      model.pmml.ser  #生成的由pmml序列化之后的文件
        │  │
        │  └─r
        │      └─org
        │          └─jpmml
        │              └─android
        │                      BuildConfig.java
        │                      R.java
        │
        ├─…其他maven相关文件

进入根目录后，首先将自己的pmml文件放入pmml-android-example/src/main/pmml/目录下，在项目根目录下执行命令，使用mvn clean install编译项目，生成文件包括：pmml-android/target/pmml-android-1.0-SNAPSHOT.jar以及pmml-android-example/target/pmml-android-example-1.0-SNAPSHOT.apk，一个JAR库和一个示例APK。在目录pmml-android-example/target/generated-sources/combined-assets/下能够找到生成的序列化之后的.ser文件。

3.Android APP使用序列化后文件进行预测

将上述生成的pmml-android-1.0-SNAPSHOT.jar库放在之后的性能异常检测APP的app/libs目录下，使用implementate进行引入使用，使得作为决策树模型作为资源文件部署到本地使用（放在assets资源目录下）。使用决策树进行性能异常检测的类如下（这是一个根据不同应用类型选择决策树的示例）：
加载模型：

 public Evaluator loadPmml(String pak,int a){
        AssetManager assetManager = mContext.getAssets();
        InputStream inputStream = null;
        try {
            if (pak.equals("com.taobao.taobao")) {
                if (a == 1)
                    inputStream = assetManager.open("taobaocpu.pmml.ser");
                if (a == 2)
                    inputStream = assetManager.open("taobaogpu.pmml.ser");
                if (a == 3)
                    inputStream = assetManager.open("taobaomem.pmml.ser");
            }else if(pak.equals("com.ss.android.ugc.aweme")) {
                if (a == 1)
                    inputStream = assetManager.open("douyincpu.pmml.ser");
                if (a == 2)
                    inputStream = assetManager.open("douyingpu.pmml.ser");
                if (a == 3)
                    inputStream = assetManager.open("douyinmem.pmml.ser");
            }else if(pak.equals("com.miHoYo.ys.mi")) {
                if (a == 1)
                    inputStream = assetManager.open("yuanshencpu.pmml.ser");
                if (a == 2)
                    inputStream = assetManager.open("yuanshengpu.pmml.ser");
                if (a == 3)
                    inputStream = assetManager.open("yuanshenmem.pmml.ser");
            }else{
                if (a == 1)
                    inputStream = assetManager.open("entirecpu.pmml.ser");
                if (a == 2)
                    inputStream = assetManager.open("entiregpu.pmml.ser");
                if (a == 3)
                    inputStream = assetManager.open("entiremem.pmml.ser");
            }
            Log.d("model","Success: return model");
            return EvaluatorUtil.createEvaluator(inputStream);
        }catch (Exception e)
        {
            Log.d("model","Error: return model null");
            e.printStackTrace();
            return null;
        }
    }

使用模型进行预测，函数输入中的map为输入，需要与决策树中的输入字段对应：

public int predict(String pak, Evaluator evaluator,Map<String, Double> data0,Map<String, Double> data1)
    {
       Map<String, Double> datax = new HashMap<String, Double>();
       if(pak.equals("com.taobao.taobao")||pak.equals("com.ss.android.ugc.aweme")||pak.equals("com.miHoYo.ys.mi")) {
       		datax  =  data0;
        }else{
            datax = data1;
        }
        List<InputField> inputFields = evaluator.getInputFields();
        //过模型的原始特征，从画像中获取数据，作为模型输入
        Map<FieldName, FieldValue> arguments = new LinkedHashMap<FieldName, FieldValue>();
        for (InputField inputField : inputFields) {
            FieldName inputFieldName = inputField.getName();
            Object rawValue = data.get(inputFieldName.getValue());
            FieldValue inputFieldValue = inputField.prepare(rawValue);
            arguments.put(inputFieldName, inputFieldValue);
        }

        Map<FieldName, ?> results = evaluator.evaluate(arguments);
        List<TargetField> targetFields = evaluator.getTargetFields();

        TargetField targetField = targetFields.get(0);
        FieldName targetFieldName = targetField.getName();

        Object targetFieldValue = results.get(targetFieldName);
        Log.d("model","target: " + targetFieldName.getValue().toString() + " value: " + targetFieldValue.toString());
        int primitiveValue = -1;
        if (targetFieldValue instanceof Computable) {
            Computable computable = (Computable) targetFieldValue;
            primitiveValue = (Integer) computable.getResult();
        }
        Log.d("model","result: " + String.valueOf(primitiveValue));
        return primitiveValue;
    }

成功实现决策树部署：