到目前為止，我們學了很多深度學習與 NLP 的理論與實作，
甚至做過情感分析、文字生成、圖片分類等應用。
但如果模型只停留在 Jupyter Notebook 裡，那就還只是研究成果，
無法真正被一般使用者或其他系統利用。

模型部署 (Model Deployment) 就是要把我們的模型
包裝成「服務」，讓別人能透過網路呼叫，
像呼叫 Google 翻譯 API 一樣方便。

今天，我們就來介紹 Flask 和 FastAPI，
並看看如何使用 Flask 把深度學習模型變成一個小型 API。

什麼是 API？

API 全名是 Application Programming Interface（應用程式介面）。
可以把它想像成一個「溝通的橋樑」，讓不同的程式之間可以交換資料。

比如你在手機上打開天氣 App，輸入地點後就能看到天氣資訊。
但其實手機 App 本身沒有資料庫，它是透過「API」向後端伺服器發送請求，
伺服器回傳當地的天氣數據，App 再把它顯示出來。

在機器學習領域，我們可以把模型做成 API，讓外部的使用者或系統只要發送一段文字，
就能得到情感分析、翻譯或分類的結果。

我們也可以說，API 就是一個「服務」的接口，讓使用者不需要知道內部程式的細節，
只要透過統一的規則（例如 HTTP 請求）就能存取功能。

參考資料:
https://www.dottedsign.com/zh-tw/blog/product/api

什麼是模型部署？

模型部署，簡單來說，就是把訓練好的模型放到「線上服務」中，
讓其他人或系統能直接使用。

稍微舉個例子:
像之前我們訓練了一個垃圾郵件分類器，就可以做成一個 API，
郵件伺服器只要丟一段文字，就能回傳「這是不是垃圾郵件」。

為什麼要用 Flask / FastAPI？

在 Python 的世界裡，如果我們想要把一個機器學習模型或深度學習模型包裝成一個服務，
最常見的做法就是透過 「Flask」 或 「FastAPI」。

這兩個工具就像是我們把模型變成一間「小型餐廳」的必備裝修材料。
想像一下，如果我們有一個模型能判斷文字的情感，那麼別人要使用時，
總不能要求大家都在電腦裡安裝 Python、下載模型、再去寫推論程式。
對大多數使用者來說，他們只想要一個簡單的方式，輸入文字，然後得到答案。

這就是 Flask 和 FastAPI 的價值：
它們幫助我們建立一個 API，讓外部的人用最直覺的方式來呼叫模型。

Flask 的特色在於「簡單」與「靈活」。
它的設計理念很乾淨，不會強迫你一定要遵守某些複雜規則。
這意味著，如果你只是想快速測試，
讓模型可以接收一段文字並回傳結果，Flask 幾乎只要幾行程式碼就能做到。

FastAPI 則是可以說是「後起之秀」，它的出現解決了 Flask 在某些進階需求上的不足。
比方說，如果我們的模型需要處理大量請求，或者我們希望 API 在效能上更快一些，
那麼 FastAPI 就是很好的選擇。
它的設計充分利用了 Python 的 型別提示（type hints），
這讓 API 不僅可以自動檢查輸入格式，還能自動產生文件。

你可以依照專案的規模與需求來選擇使用誰，
但無論哪一個，它們的核心目的都是一樣的：
-「把模型變成一個能被廣泛使用的服務」

Flask 實作：打造簡單的計算 API

現在，我們就要一步步在 Google Colab 上實際操作，
這個版本不需要連外設定，
只要「三步驟」，就能在 Colab 上體驗模型部署流程。

接著我們就直接進行程式碼撰寫:

第一步：安裝套件

!pip install flask

我們的第一步就是安裝要使用的套件，那這段命令做了一件事，就是：

-安裝 Flask（建立 Web API 的核心框架）

第二步：建立 Flask API

以下是一個簡單的範例，我們假設模型的功能是「輸入一個數字，輸出它的平方」。
接著來看看它的程式碼:

from flask import Flask, request, jsonify

# 建立 Flask 應用程式
app = Flask(__name__)

# 模擬一個簡單模型（平方運算）
def simple_model(x):
    return x ** 2

# 建立 API 路由
@app.route("/predict", methods=["POST"])
def predict():
    data = request.get_json()  # 接收 JSON 格式資料
    x = data.get("x", 0)
    y = simple_model(x)
    return jsonify({"input": x, "output": y})

# 在本地啟動 Flask（Colab 會顯示伺服器運行狀況）
app.run(port=5000)

當你執行這段程式碼後，你應該會看到以下畫面:

你可能看到紅字會想:「難道我錯了嗎?版主是不是在亂教!!!」
但nonono~，這個其實不是個錯誤，
這三行是 Flask 的警告提示，其實它的意思是：

目前運行的是「開發測試用伺服器」，
不建議用在真實線上環境（因為安全性與效能不足）。

在學習階段或在 Colab、Jupyter Notebook 中執行時，這其實是完全沒問題的，
這只是提醒說:如果要正式上線，要改用更穩定的伺服器（像 Gunicorn、uWSGI 等）。

除此之外，代碼:「Running on http://127.0.0.1:5000」
是本段最重要的代碼，
它告訴你 Flask 伺服器現在正在本機運行（port 5000）。
127.0.0.1 是「本機位址」（localhost），
意思是——伺服器只接受你自己這台電腦（或 Colab 內部）的連線。

如果你在自己電腦上運行 Flask，
就可以開啟瀏覽器輸入 http://127.0.0.1:5000 看到結果，
但因為 Colab 是在雲端的虛擬環境，
所以這個網址對外是封閉的（無法從外部瀏覽器直接開啟）。

第三步：在 Colab 裡測試 API（模擬呼叫）

而因為 Colab 不能直接訪問 127.0.0.1，
因此我們改用 Flask 提供的 test_client() 方法來在同一程式中測試：

# 用 Flask 內建測試客戶端模擬呼叫 API
with app.test_client() as client:
    response = client.post("/predict", json={"x": 5})
    print(response.get_json())

接著我們看到結果:

可以看到我們設定 x = 5 ，它給我們的輸出為「25」，
也是我們要的正確答案，代表我們的API有正常運作啦!!!

以上就是今天的 Flask打造小型 API 實作啦!
希望各位都有學到東西，那就明天再見啦!