Pelajari AI dengan Python · Pelajaran

Asas FastAPI untuk Jurutera Pembelajaran Mesin

Aplikasi FastAPI, titik akhir GET/POST, parameter laluan dan pertanyaan, serta async def berbanding def untuk inferens pembelajaran mesin.

Pelajaran 1 daripada 413 langkah

Asas FastAPI untuk Jurutera Pembelajaran Mesin ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 1 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Mengapa FastAPI untuk Pembelajaran Mesin?

FastAPI ialah rangka kerja web Python moden yang sesuai untuk menyediakan model: ia pantas, menjana dokumentasi interaktif secara automatik dan mengesahkan permintaan menggunakan petunjuk jenis. FastAPI telah menjadi cara piawai untuk membungkus model di sebalik API HTTP.

Mencipta Aplikasi

Wujudkan aplikasi FastAPI; objek app ini menyimpan semua laluan anda.

from fastapi import FastAPI

app = FastAPI(title="Model Serving API")

Titik Akhir GET /health

Pemeriksaan kesihatan membolehkan pengimbang beban dan pengatur cara mengesahkan bahawa perkhidmatan masih hidup. Pemeriksaan ini mengembalikan status ringkas tanpa melakukan kerja berat.

@app.get("/health")
def health():
    return {"status": "ok"}

Titik Akhir POST /predict

Ramalan memerlukan data masukan, jadi ramalan menggunakan POST dengan isi permintaan. Fungsi menerima muatan yang telah dihuraikan dan mengembalikan keluaran model.

@app.post("/predict")
def predict(features: list[float]):
    result = model.predict([features])
    return {"prediction": result[0]}

GET berbanding POST

GET: mendapatkan data, tanpa isi, digunakan untuk pemeriksaan kesihatan dan bacaan ringkas.
POST: menghantar data dalam isi, digunakan untuk ramalan apabila anda menyerahkan ciri.

Menjalankan dengan uvicorn

uvicorn ialah pelayan ASGI yang menjalankan FastAPI. Mulakannya daripada kod atau baris perintah.

import uvicorn

if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8000)

Pelancaran melalui Baris Perintah

Biasanya, anda melancarkannya melalui CLI dengan menunjuk uvicorn kepada modul dan objek app. --reload memulakan semula secara automatik apabila kod berubah semasa pembangunan.

# terminal
uvicorn main:app --host 0.0.0.0 --port 8000 --reload

Dokumentasi Interaktif Percuma

FastAPI menjana Swagger UI secara automatik di /docs dan ReDoc di /redoc berdasarkan petunjuk jenis anda, jadi anda boleh menguji titik akhir dalam pelayar tanpa kod tambahan.

async def untuk Kerja Terikat IO

Gunakan async def untuk titik akhir yang menunggu IO (pangkalan data, API luaran, bacaan fail). Operasi tak segerak membolehkan pelayan mengendalikan permintaan lain semasa menunggu, lalu meningkatkan daya pemprosesan.

@app.get("/external")
async def fetch():
    data = await call_remote_service()
    return data

sync def untuk Inferens Terikat CPU

predict model biasanya terikat CPU. Takrifkan titik akhir tersebut dengan sync def biasa; FastAPI menjalankannya dalam kumpulan utas supaya titik akhir itu tidak menyekat gelung peristiwa. Menggunakan async untuk kerja yang berat pada CPU sebenarnya akan membekukan pelayan.

@app.post("/predict")
def predict(features: list[float]):
    # CPU-bound inference -> sync def
    return {"prediction": model.predict([features])[0]}

Memilih async berbanding sync

async def: terikat IO, menunggu rangkaian/cakera.
sync def: inferens model terikat CPU, dijalankan dalam kumpulan utas.

Memilih yang betul memastikan pelayan kekal responsif di bawah beban.

Semakan Pantas

Uji asas FastAPI anda.

Jawab dalam pelajaran interaktif

Ringkasan

Anda telah membina perkhidmatan FastAPI: mencipta app, menambah GET /health dan POST /predict, menjalankannya dengan uvicorn, serta mempelajari penggunaan async def untuk kerja terikat IO dan sync def untuk inferens terikat CPU. Seterusnya: skema permintaan dan respons Pydantic.

Percuma untuk bermula

Pelajari Python dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus: 53
Pelajaran: 225

Mula belajar secara percuma Lihat kursus penuh

Soalan Lazim

Adakah pelajaran “Asas FastAPI untuk Jurutera Pembelajaran Mesin” percuma?

Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Asas FastAPI untuk Jurutera Pembelajaran Mesin”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Apakah yang akan saya pelajari dalam “Asas FastAPI untuk Jurutera Pembelajaran Mesin”?

Aplikasi FastAPI, titik akhir GET/POST, parameter laluan dan pertanyaan, serta async def berbanding def untuk inferens pembelajaran mesin. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?

Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 1 daripada 4.

Berapa lamakah pelajaran “Asas FastAPI untuk Jurutera Pembelajaran Mesin” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?

Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

Asas FastAPI untuk Jurutera Pembelajaran Mesin
Skema Pydantic untuk Permintaan dan Respons
Memuatkan dan Menyediakan Model Pembelajaran Mesin
Menyediakan API Model dalam Docker

← Kembali ke Pelajari AI dengan Python