What is Model Evaluation and Deployment

अब आपने deep learning models बनाना, train करना और save/load करना सीख लिया है — अगला ज़रूरी कदम है:Model Evaluation and Deployment

🔷 Part 1: 📊 Model Evaluation

Model को train करने के बाद यह जानना ज़रूरी है कि वो कितना अच्छा काम कर रहा है — इसके लिए हम evaluation metrics का उपयोग करते हैं।

---

✅ 1. Accuracy (शुद्धता)

• Classification के लिए सबसे आम metric
• Formula:
  Accuracy = सही अनुमान / कुल उदाहरण

# Keras
model.evaluate(X_test, y_test)

# PyTorch
with torch.no_grad():
    preds = model(X_test)
    predicted = preds.round()
    acc = (predicted == y_test).float().mean()

---

✅ 2. Confusion Matrix

Classification output को True Positives, False Positives, True Negatives, और False Negatives में बांटता है।

from sklearn.metrics import confusion_matrix
print(confusion_matrix(y_true, y_pred))

---

✅ 3. Precision, Recall, F1 Score

Metric	Meaning
Precision	Positive prediction में से कितने सही थे
Recall	कितने actual positive सही पकड़े गए
F1 Score	Precision और Recall का balance

from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))

---

✅ 4. Loss Curve / Accuracy Curve (Visualization)

import matplotlib.pyplot as plt

plt.plot(history.history['loss'], label='loss')
plt.plot(history.history['val_loss'], label='val_loss')
plt.legend()
plt.show()

---

🔷 Part 2: 🚀 Model Deployment

Model को दुनिया तक पहुँचाने के लिए हमें उसे deploy करना पड़ता है — यानी किसी app, API, या web server पर चलाना।

---

✅ 1. Deployment Methods:

Method	Use Case
Flask API	Simple Web/API deployment
TensorFlow Serving	Production-ready serving
TorchScript	PyTorch model serialization
ONNX	Cross-platform compatibility
TF Lite	Mobile apps (Android/iOS)
TF.js	Browser-based models
Gradio / Streamlit	Quick UI + demo

---

✅ 2. PyTorch Model Export (TorchScript)

traced_model = torch.jit.trace(model, torch.rand(1, 2))
traced_model.save("model.pt")

Use in any PyTorch-enabled environment.

---

✅ 3. TensorFlow/Keras Model Export

pythonCopyEditmodel.save("model.h5")  # Full model (Keras)

Convert to TF Lite for mobile:

converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
with open('model.tflite', 'wb') as f:
    f.write(tflite_model)

---

✅ 4. Simple Flask API for Inference

from flask import Flask, request, jsonify
import torch

app = Flask(__name__)
model = torch.load("model.pt")
model.eval()

@app.route('/predict', methods=['POST'])
def predict():
    data = request.json
    input_tensor = torch.tensor(data['input'])
    with torch.no_grad():
        prediction = model(input_tensor).item()
    return jsonify({'prediction': prediction})

app.run(debug=True)

---

✅ 5. Deployment Tools

Tool	Purpose
Docker	Containerize model + environment
Kubernetes	Deploy at scale
Heroku	Simple web hosting
AWS/GCP/Azure	Cloud deployment
Hugging Face Spaces	Deploy public demos

---

📝 Practice Questions:

1. Accuracy और F1-score में क्या अंतर है?
2. PyTorch में confusion matrix कैसे calculate करते हैं?
3. Model को Flask API में कैसे deploy किया जाता है?
4. torch.jit.trace() और model.save() में क्या अंतर है?
5. TensorFlow Lite का उपयोग कब और क्यों करना चाहिए?

---

🧠 Summary Table

Task	PyTorch	TensorFlow/Keras
Accuracy Eval	(preds == y).float().mean()	model.evaluate()
Save for Deployment	torch.jit.save()	model.save()
Mobile	ONNX or TorchScript	TF Lite
API	Flask/FastAPI	Flask/FastAPI
Web UI	Gradio / Streamlit	Gradio / Streamlit