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/
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：
也可进在文档中调试
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
FastAPI部署机器学习模型
第一步：准备模型
import numpy as np import os from sklearn.linear_model import LogisticRegression from sklearn.pipeline import Pipeline import joblib from sklearn import datasets 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！
