使用 FastAPI 将 ML 模型部署为 API

部署通常是任何数据科学项目管道的最后一步，能够将您的 ML/DL 模型集成到 Web 应用程序是一项非常重要的任务。有许多流行的框架可用于执行此任务，例如 Flask 和 Django。 Django 通常用于大型应用程序，需要花费相当多的时间进行设置，而 Flask 通常是您在 Web 应用程序上快速部署模型的首选。除了上面提到的两个之外，还有另一个非常流行的框架，以至于像 Netflix 和 Uber 这样的公司都在使用它，这个框架就是 FastAPI。因此，让我们了解是什么让 FastAPI 如此受欢迎，以及如何使用它来将 ML 模型部署为使用它的 API。

FastAPI 与 Flask：

• FastAPI 比 Flask 快得多，不仅因为它还是目前最快的Python模块之一。
• 与 Flask 不同，FastAPI 为数据验证提供了更简单的实现，以定义您发送的数据的特定数据类型。
• 自动文档来调用和测试您的 API（Swagger UI 和 Redoc）。
• FastAPI 内置了对 Asyncio、GraphQL 和 Websockets 的支持。

安装 FastAPI：

安装 FastAPI 与任何其他Python模块相同，但与 FastAPI 一起，您还需要安装uvicorn以用作服务器。您可以使用以下命令安装它们：-

pip install fastapi uvicorn

使用 FastAPI 创建基本 API：

在创建我们的 ML 模型之前，让我们先创建一个基本的 API，它将返回一个简单的消息。

Python3

# Importing Necessary modules
from fastapi import FastAPI
import uvicorn
  
# Declaring our FastAPI instance
app = FastAPI()
  
# Defining path operation for root endpoint
@app.get('/')
def main():
    return {'message': 'Welcome to GeeksforGeeks!'}
  
# Defining path operation for /name endpoint
@app.get('/{name}')
def hello_name(name : str): 
    # Defining a function that takes only string as input and output the
    # following message. 
    return {'message': f'Welcome to GeeksforGeeks!, {name}'}

测试我们的 API：

上面的代码定义了我们将命名为basic-app.py的文件中的所有路径操作。现在要运行这个文件，我们将在我们的目录中打开终端并编写以下命令：-

uvicorn basic-app:app --reload

现在上面的命令遵循以下格式：-

• basic-app指的是我们在其中创建 API 的文件的名称。
• app指的是我们在文件中声明的 FastAPI 实例。
• –reload 告诉我们每次重新加载时重新启动服务器。

现在，在您运行此命令并转到http://127.0.0.1:8000/ 后，您将在浏览器中看到以下内容。

您看到此消息是因为您告诉 FastAPI 在调用根路径时将此作为响应返回。需要注意的一件事是我们的消息是一个Python字典，但它会自动转换为 JSON。现在，除此之外，您还有另一个端点，您可以在其中获取要显示在消息中的自定义字符串，要调用该字符串，请转到http://127.0.0.1:8000/herumb ，这里将在浏览器中显示以下消息.

交互式 API 文档：

现在要获得上述结果，我们必须手动调用每个端点，但 FastAPI 附带交互式 API 文档，可以通过在您的路径中添加/docs来访问。要访问我们 API 的文档，我们将转到http://127.0.0.1:8000/docs。在这里，您将获得以下页面，您可以通过查看 API 的端点为相应输入（如果有）提供的输出来测试 API 的端点。您应该会看到我们 API 的以下页面。

部署我们的机器学习模型：

构建我们的模型：

在本教程中，我们将使用 GuassianNB 作为我们的模型和 iris 数据集来训练我们的模型。为了构建和训练我们的模型，我们使用以下代码：

from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB

# Loading Iris Dataset
iris = load_iris()

# Getting features and targets from the dataset
X = iris.data
Y = iris.target

# Fitting our Model on the dataset
clf = GaussianNB()
clf.fit(X,Y)

现在我们已经准备好了模型，我们需要定义我们将提供给模型以进行预测的数据格式。这一步很重要，因为我们的模型处理数值数据，我们不想将任何其他类型的数据提供给我们的模型，为了做到这一点，我们需要验证我们收到的数据是否符合该规范。

请求主体：

从客户端发送到 API 的数据称为请求正文。从 API 发送到客户端的数据称为响应正文。

为了定义我们的请求主体，我们将在pydantic模块中使用 BaseModel ，并定义我们将发送到 API 的数据格式。为了定义我们的请求主体，我们将创建一个继承 BaseModel 的类，并将特性定义为该类的属性及其类型提示。 pydantic 所做的是在运行时定义这些类型提示，并在数据无效时产生错误。所以让我们创建我们的 request_body 类：-

from pydantic import BaseModel

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

终点：

现在我们有了一个请求正文，剩下要做的就是添加一个端点，该端点将预测该类并将其作为响应返回：

@app.post('/predict')
def predict(data : 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]}

然后我们将 ML 模型部署为 API。现在剩下要做的就是测试它。

测试我们的 API：

为了测试我们的 API，我们现在将使用 Swagger UI 来访问它，您只需要在路径的末尾添加/docs 。所以去http://127.0.0.1:8000/docs 。您应该会看到以下输出：

现在点击Try it Out按钮并输入您想要预测的数据：

输入所有值后，单击“执行”，然后您可以在“响应”部分下看到您的输出：

正如你所看到的，我们得到了我们的类作为响应。有了这个，我们已经成功地使用 FastAPI 将我们的 ML 模型部署为 API。

蟒蛇3

from fastapi import FastAPI
import uvicorn
from sklearn.datasets import load_iris
from sklearn.naive_bayes import GaussianNB
from pydantic import BaseModel
  
# Creating FastAPI instance
app = FastAPI()
  
# Creating class to define the request body
# and the type hints of each attribute
class request_body(BaseModel):
    sepal_length : float
    sepal_width : float
    petal_length : float
    petal_width : float
  
# Loading Iris Dataset
iris = load_iris()
  
# Getting our Features and Targets
X = iris.data
Y = iris.target
  
# Creating and Fitting our Model
clf = GaussianNB()
clf.fit(X,Y)
  
# Creating an Endpoint to recieve the data
# to make prediction on.
@app.post('/predict')
def predict(data : request_body):
    # Making the data in a form suitable for prediction
    test_data = [[
            data.sepal_length, 
            data.sepal_width, 
            data.petal_length, 
            data.petal_width
    ]]
      
    # Predicting the Class
    class_idx = clf.predict(test_data)[0]
      
    # Return the Result
    return { 'class' : iris.target_names[class_idx]}