使用 FastAPI 将 ML 模型部署为 API

FastAPI 是一个高性能的 Web 框架，为 Python 3.7+ 提供了快速且易于使用的工具，可以使用 FastAPI 将机器学习（ML）模型轻松地部署为 API。在本文中，我们将讨论如何使用 FastAPI 将一个简单的 ML 模型部署为 API。

1. 安装 FastAPI

要安装 FastAPI，您可以使用 pip 包管理器。在命令行中输入以下命令：

pip install fastapi

此外，您需要安装 uvicorn，它是 FastAPI 的默认 ASGI 服务器。您可以使用以下命令进行安装：

pip install uvicorn

2. 创建 ML 模型

假设我们正在创建一个简单的分类器，可以根据花的特征将花分为三类：Iris Setosa，Iris Versicolor 和 Iris Virginica。我们将使用 Iris 数据集 来训练我们的分类器。以下是训练和序列化模型的代码：

import joblib
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier

X, y = load_iris(return_X_y=True)

clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X, y)

joblib.dump(clf, "model.pkl")

3. 创建 FastAPI 应用程序

在创建 FastAPI 应用程序之前，我们需要启动一个代码编辑器或集成开发环境（IDE）。创建一个名为 main.py 的文件。

导入 FastAPI 和模型：

from fastapi import FastAPI
import joblib

app = FastAPI()

clf = joblib.load("model.pkl")

以上代码中，我们导入并初始化了 FastAPI 应用程序对象，并从 model.pkl 文件中加载了我们的模型。

接下来，我们将在路由器中定义一个 predict 路由器，用于将输入数据发送到模型，并返回预测值：

from typing import List, Dict

@app.post("/predict")
def predict(data: List[Dict]):
    X = [[item['sepal_length'],
          item['sepal_width'],
          item['petal_length'],
          item['petal_width']] for item in data]
    prediction = clf.predict(X)
    return {'prediction': list(prediction)}

该路由器定义了一个 POST 方法，并将 JSON 形式的输入数据作为一个列表传递给 data 参数。然后，可以将输入转换为模型接受的格式，并使用 clf.predict 方法发出预测。

4. 运行 FastAPI 应用程序

我们已经创建了一个 FastAPI 应用程序，并将模型作为 API 部署。现在，我们需要在命令行中将应用程序设置为运行。在应用程序所在目录中打开命令行，并输入以下命令：

uvicorn main:app --reload

该命令告诉 uvicorn 启动 main.py 文件中的应用程序，并重新加载代码更改。在应用程序成功运行后，您应该能够在浏览器中通过以下 URL 访问 API：

http://localhost:8000/docs

此 URL 提供了 FastAPI 的交互式文档，您可以使用它测试 API。或者，您可以使用以下代码通过 Python 脚本调用 API：

import requests

data = [
        {
            "sepal_length": 5.1,
            "sepal_width": 3.5,
            "petal_length": 1.4,
            "petal_width": 0.2
        },
        {
            "sepal_length": 6.7,
            "sepal_width": 3.1,
            "petal_length": 4.7,
            "petal_width": 1.5
        }
    ]

response = requests.post("http://localhost:8000/predict", json=data)
print(response.json())

结论

在本文中，我们已经学习了如何使用 FastAPI 将一个简单的 ML 模型部署为 API。FastAPI 提供了一种快速且易于使用的方式来创建生产就绪的 API。由于它是一个高性能的框架，所以它可以处理高负载的任务。