100天搞定机器学习 番外：使用FastAPI构建机器学习API

↓↓↓点击关注，回复资料，10个G的惊喜

FastAPI

FastAPI 是一个高性能 Web 框架，用于构建 API。

FastAPI 建立在Starlette和Pydantic之上。

• Starlette：轻量级的 ASGI 框架和工具包，用来构建高性能的 asyncio 服务

• Pydantic：Python中用于数据接口schema定义与检查的库。通过它，可以更为规范地定义和使用数据接口。

想要深入学习这两个库，可以移步对应官方文档：

https://pydantic-docs.helpmanual.io/ https://www.starlette.io/

实际应用中，FastAPI 需要与Uvicorn一起使用，Uvicorn主要用于加载和提供应用程序的服务器。

FastAPI和Uvicorn的使用方法

使用之前先安装

pip install fastapi
pip install uvicorn


看一个小例子，感受一下FastAPI 多方便，多简单：

from typing import Optional
from fastapi import FastAPI
import uvicorn
#创建FastAPI实例
app = FastAPI()

#创建访问路径
@app.get("/")
def read_root():#定义根目录方法
return {"message": "Hello World"}#返回响应信息

#定义方法，处理请求
@app.get("/items/{item_id}")
async def read_item(item_id: int):
return {"item_id": item_id}

#运行
if __name__ == '__main__':
uvicorn.run(app, host="127.0.0.1", port=8000)


uvicron服务器运行之后可以尝试访问

http://127.0.0.1:8000/items/666，返回：

打开交互文档(Swagger UI)：http://127.0.0.1:8000/docs
也可以访问API文档(ReDoc)：http://127.0.0.1:8080/redoc

def main():
clf = LogisticRegression()
p = Pipeline([('clf', clf)])
print('Training model...')
p.fit(X, y)
print('Model trained!')

filename_p = 'IrisClassifier.pkl'
print('Saving model in %s' % filename_p)
joblib.dump(p, filename_p)
print('Model saved!')

if __name__ == "__main__":
print('Loading iris data set...')
iris = datasets.load_iris()
X, y = iris.data, iris.target
print('Dataset loaded!')
main()
第二步：创建FastAPI实例import uvicorn
from fastapi import FastAPI
import joblib
from os.path import dirname, join, realpath
from typing import List

app = FastAPI(
title="Iris Prediction Model API",
description="A simple API that use LogisticRegression model to predict the Iris species",
version="0.1",
)

# load model

with open(
join(dirname(realpath(__file__)), "models/IrisClassifier.pkl"), "rb"
) as f:
model = joblib.load(f)

def data_clean(str):
arr = str.split(',')
arr = list(map(float,arr))
return arr

# Create Prediction Endpoint
@app.get("/predict-result")
def predict_iris(request):
# perform prediction
request = data_clean(request)
prediction = model.predict([request])
output = int(prediction[0])
probas = model.predict_proba([request])
output_probability = "{:.2f}".format(float(probas[:, output]))

# output dictionary
species = {0: "Setosa", 1: "Versicolour", 2:"Virginica"}

# show results
result = {"prediction": species[output], "Probability": output_probability}
return result

if __name__ == '__main__':
uvicorn.run(app, host="127.0.0.1", port=8001)
第三步：传入参数

我们用模型预测属性为以下值时Iris应该属于哪一类，并输出预测概率。
sepal_length=7.233
sepal_width=4.652
petal_length=7.39
petal_width=0.324

打开网址，传入参数

http://127.0.0.1:8001/predict-result?request=7.233%2C4.652%2C7.39%2C0.324

bingo！

好文点个在看吧！