Sajikan dengan FastAPI
Bungkus inferensi dalam endpoint REST
Sajikan dengan FastAPI adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
From Saved Model to Live API
A trained model only helps users when it is reachable. FastAPI wraps your model in a web endpoint they can call over HTTP. 🌍
Why FastAPI Fits Inference
FastAPI is fast, async-friendly, and auto-generates docs. That makes it a clean way to serve model predictions as a REST service.
Load the Model Once at Startup
Load your model a single time when the server boots, not on every request. Loading per call would make each prediction painfully slow.
model = torch.jit.load('model.pt')
model.eval()Create the App
You start by creating a FastAPI instance. This object holds your routes and becomes the server you run.
from fastapi import FastAPI
app = FastAPI()Validate Input with Pydantic
Define a Pydantic model for the request body so FastAPI checks the shape and types of incoming data automatically.
from pydantic import BaseModel
class Item(BaseModel):
features: list[float]Define a Predict Route
A POST route receives the validated data, runs the model, and returns the result as JSON the client can read.
@app.post('/predict')
def predict(item: Item):
...Run Inference Without Gradients
Wrap the forward pass in torch.no_grad() so the server skips gradient tracking and saves time and memory on every call.
with torch.no_grad():
output = model(x)Return a Clean JSON Response
Convert the tensor output to plain Python numbers before returning, since raw tensors are not directly JSON serializable.
return {'prediction': output.argmax().item()}Serve It with Uvicorn
Uvicorn is the server that runs your FastAPI app. One command brings your prediction endpoint online. 🚀
uvicorn main:app --host 0.0.0.0 --port 8000Explore the Auto Docs
FastAPI builds interactive docs at the /docs path, so you and your clients can test the endpoint right in the browser.
Add a Health Check Route
A tiny health endpoint lets load balancers confirm the server is alive, a small touch that makes deployment far more reliable.
@app.get('/health')
def health():
return {'status': 'ok'}Quick Check
You want each request validated for correct fields and types automatically. What does that?
Recap: Your Model Is Live
You served a model with FastAPI: load once at startup, validate with Pydantic, predict under no_grad, and run it on Uvicorn. 🎉
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Sajikan dengan FastAPI” gratis?
Ya — teks lengkap “Sajikan dengan FastAPI” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Sajikan dengan FastAPI”?
Bungkus inferensi dalam endpoint REST Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?
Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Sajikan dengan FastAPI” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- TorchScript dan torch.compile
- Ekspor ke ONNX
- Kuantisasi untuk Model yang Lebih Kecil dan Cepat
- Sajikan dengan FastAPI