100天搞定機(jī)器學(xué)習(xí) 番外：使用FastAPI構(gòu)建機(jī)器學(xué)習(xí)API

100天搞定機(jī)器學(xué)習(xí)：模型訓(xùn)練好了，然后呢？

FastAPI

FastAPI 是一個(gè)高性能 Web 框架，用于構(gòu)建 API。

FastAPI 建立在 Starlette 和 Pydantic 之上。

• Starlette：輕量級(jí)的 ASGI 框架和工具包，用來構(gòu)建高性能的 asyncio 服務(wù)
• Pydantic：Python中用于數(shù)據(jù)接口schema定義與檢查的庫。通過它，可以更為規(guī)范地定義和使用數(shù)據(jù)接口。

想要深入學(xué)習(xí)這兩個(gè)庫，可以移步對(duì)應(yīng)官方文檔：

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

實(shí)際應(yīng)用中，F(xiàn)astAPI 需要與Uvicorn一起使用，Uvicorn主要用于加載和提供應(yīng)用程序的服務(wù)器。

FastAPI和Uvicorn的使用方法

使用之前先安裝

pip?install?fastapi
pip?install?uvicorn

看一個(gè)小例子，感受一下FastAPI 多方便，多簡(jiǎn)單：

from?typing?import?Optional
from?fastapi?import?FastAPI
import?uvicorn
#創(chuàng)建FastAPI實(shí)例
app?=?FastAPI()

#創(chuàng)建訪問路徑
@app.get("/")
def?read_root():#定義根目錄方法
????return?{"message":?"Hello?World"}#返回響應(yīng)信息

#定義方法，處理請(qǐng)求
@app.get("/items/{item_id}")
async?def?read_item(item_id:?int):
????return?{"item_id":?item_id}

#運(yùn)行
if?__name__?==?'__main__':
????uvicorn.run(app,?host="127.0.0.1",?port=8000)

uvicron服務(wù)器運(yùn)行之后可以嘗試訪問

http://127.0.0.1:8000/items/666，返回：

也可進(jìn)在文檔中調(diào)試

打開交互文檔(Swagger UI)：http://127.0.0.1:8000/docs
也可以訪問API文檔(ReDoc)：http://127.0.0.1:8080/redoc

FastAPI部署機(jī)器學(xué)習(xí)模型

第一步：準(zhǔn)備模型

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：創(chuàng)建FastAPI實(shí)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：傳入?yún)?shù)

我們用模型預(yù)測(cè)屬性為以下值時(shí)Iris應(yīng)該屬于哪一類，并輸出預(yù)測(cè)概率。
sepal_length=7.233
sepal_width=4.652
petal_length=7.39
petal_width=0.324

打開網(wǎng)址，傳入?yún)?shù)?

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

bingo！