Развертывание моделей машинного обучения как API с использованием FastAPI

FastAPI против Flask:

• FastAPI намного быстрее, чем Flask, не только потому, что это один из самых быстрых модулей Python.
• В отличие от Flask, FastAPI обеспечивает более простую реализацию проверки данных для определения конкретного типа данных, которые вы отправляете.
• Автоматические документы для вызова и тестирования вашего API (Swagger UI и Redoc).
• FastAPI имеет встроенную поддержку Asyncio, GraphQL и Websockets.

Установка FastAPI:

Установка FastAPI такая же, как и для любого другого модуля Python, но вместе с FastAPI вам также необходимо установить uvicorn для работы в качестве сервера. Вы можете установить их оба, используя следующую команду: -

 pip install fastapi uvicorn

Создание базового API с использованием FastAPI:

Прежде чем создавать нашу модель машинного обучения, давайте начнем с создания базового API, который вернет нам простое сообщение.

Тестирование нашего API:

В приведенном выше коде определены все операции с путями в файле, который мы назовем basic-app.py. Теперь, чтобы запустить этот файл, мы откроем терминал в нашем каталоге и напишем следующую команду: -

 uvicorn basic-app: приложение --reload

Теперь приведенная выше команда имеет следующий формат: -

• basic-app относится к имени файла, в котором мы создали наш API.
• app относится к экземпляру FastAPI, который мы объявили в файле.
• –Reload указывает перезапускать сервер каждый раз при перезагрузке.

Теперь, после того как вы запустите эту команду и перейдете на http://127.0.0.1:8000/, вы увидите в своем браузере следующее.

Вы видите это сообщение, потому что вы сказали FastAPI вернуть его как Response при вызове корневого пути. Следует отметить, что наше сообщение представляло собой словарь Python, но оно было автоматически преобразовано в JSON. Теперь вместе с этим у вас также есть еще одна конечная точка, в которой вы можете получить настраиваемую строку, которая будет отображаться в сообщении, для вызова этого перехода по адресу http://127.0.0.1:8000/herumb , здесь в браузере будет отображаться следующее сообщение .

Интерактивная документация API:

Теперь, чтобы получить вышеуказанный результат, нам пришлось вручную вызывать каждую конечную точку, но FastAPI поставляется с документами интерактивного API, к которым можно получить доступ, добавив / docs в ваш путь. Чтобы получить доступ к документации по нашему API, мы перейдем на http://127.0.0.1:8000/docs. Здесь вы попадете на следующую страницу, на которой вы можете протестировать конечные точки вашего API, просмотрев вывод, который они выдадут для соответствующих входных данных, если таковые имеются. Вы должны увидеть следующую страницу нашего API.

Развертывание нашей модели машинного обучения:

Построение нашей модели:

В этом руководстве мы собираемся использовать GuassianNB в качестве нашей модели и набор данных радужной оболочки глаза для обучения нашей модели. Для построения и обучения нашей модели мы используем следующий код:

 из sklearn.datasets импортировать load_iris
из sklearn.naive_bayes импортировать GaussianNB

# Загрузка набора данных Iris
радужная оболочка = load_iris ()

# Получение функций и целей из набора данных
X = iris.data
Y = iris.target

# Подгонка нашей модели к набору данных
clf = GaussianNB ()
clf.fit (X, Y)

Теперь, когда у нас есть готовая модель, нам нужно определить формат данных, которые мы собираемся предоставить нашей модели, чтобы делать прогнозы. Этот шаг является импортом, потому что наша модель работает с числовыми данными, и мы не хотим передавать данные любого другого типа в нашу модель, для этого нам нужно подтвердить, что данные, которые мы получаем, соответствуют этой норме.

Тело запроса:

Данные, отправленные со стороны клиента в API, называются телом запроса. Данные, отправленные из API клиенту, называются телом ответа.

Чтобы определить тело запроса, мы будем использовать BaseModel в модуле pydantic и определим формат данных, которые мы будем отправлять в API. Чтобы определить тело запроса, мы создадим класс, наследующий BaseModel, и определим функции как атрибуты этого класса вместе с их подсказками по типу. Что делает pydantic, так это то, что он определяет эти подсказки типа во время выполнения и генерирует ошибку, когда данные недействительны. Итак, давайте создадим наш класс request_body: -

 из pydantic import BaseModel

класс request_body (BaseModel):
    sepal_length: float
    sepal_width: float
    petal_length: float
    petal_width: float

Конечная точка:

Теперь, когда у нас есть тело запроса, все, что осталось сделать, это добавить конечную точку, которая будет предсказывать класс и возвращать ее в качестве ответа:

 @ app.post ('/ прогнозировать')
def прогнозировать (данные: request_body):
    test_data = [[
            data.sepal_length, 
            data.sepal_width, 
            data.petal_length, 
            data.petal_width
    ]]
    class_idx = clf.predict (test_data) [0]
    return {'class': iris.target_names [class_idx]}

И вот наша модель машинного обучения развернута как API. Теперь все, что осталось сделать, это проверить это.

Тестирование нашего API:

Чтобы протестировать наш API, мы будем использовать пользовательский интерфейс Swagger, чтобы получить доступ к нему, вам просто нужно добавить / docs в конце вашего пути. Так что перейдите на http://127.0.0.1:8000/docs . И вы должны увидеть следующий результат:

Теперь нажмите кнопку « Попробовать» и введите данные, для которых вы хотите получить прогноз:

После того, как вы ввели все значения, нажмите « Выполнить», после чего вы увидите свой результат в разделе ответов:

Как видите, в качестве ответа мы получили наш класс. И с этим мы успешно развернули нашу модель машинного обучения как API с помощью FastAPI.