สคีมา Pydantic สำหรับคำขอและการตอบกลับ
BaseModel การตรวจสอบฟิลด์ คำใบ้ชนิดข้อมูล response_model และการจัดการข้อผิดพลาดจากการตรวจสอบ
สคีมา Pydantic สำหรับคำขอและการตอบกลับ เป็นบทเรียน Learn AI with Python ฟรีบน CoddyKit นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Learn AI with Python และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Learn AI with Python มีบทเรียนทั้งหมด 4 บทเรียน
เหตุใดจึงต้องใช้สคีมา
ดิกชันนารีดิบมีโอกาสทำให้เกิดข้อผิดพลาดได้ง่าย โมเดลไพแดนติกกำหนดรูปแบบที่แน่นอนของคำขอและการตอบกลับ ตรวจสอบชนิดข้อมูลโดยอัตโนมัติ และจัดทำเอกสารเอพีไอของท่าน FastAPI รองรับโมเดลเหล่านี้โดยตรง
BaseModel
สคีมาไพแดนติกสืบทอดมาจาก BaseModel แอตทริบิวต์ที่ระบุชนิดข้อมูลแต่ละรายการจะกลายเป็นฟิลด์ที่ผ่านการตรวจสอบ และชนิดข้อมูลที่ไม่ถูกต้องจะถูกปฏิเสธก่อนที่โค้ดของท่านจะทำงาน
from pydantic import BaseModel
class PredictRequest(BaseModel):
features: list[float]สคีมาคำขอ
กำหนดสิ่งที่ไคลเอนต์ต้องส่งมา ในที่นี้ features ต้องเป็นรายการเลขทศนิยม และท่านสามารถเพิ่มฟิลด์อื่นได้ เช่น เวอร์ชันโมเดลหรือรหัสคำขอ
class PredictRequest(BaseModel):
features: list[float]
model_version: str = "latest"สคีมาการตอบกลับ
กำหนดสิ่งที่เอพีไอของท่านส่งคืน เพื่อให้ไคลเอนต์ได้รับข้อตกลงที่มีรูปแบบคงที่และมีเอกสารกำกับ
class PredictResponse(BaseModel):
prediction: float
probability: floatการใช้สคีมาในจุดเชื่อมต่อ
ระบุชนิดข้อมูลของพารามิเตอร์ด้วยโมเดลคำขอ แล้ว FastAPI จะแยกวิเคราะห์และตรวจสอบเนื้อหาคำขอ JSON ให้เป็นวัตถุที่มีชนิดข้อมูลโดยอัตโนมัติ
from fastapi import FastAPI
app = FastAPI()
@app.post("/predict")
def predict(req: PredictRequest):
pred = model.predict([req.features])[0]
return {"prediction": pred, "probability": 0.92}พารามิเตอร์รูปแบบการตอบกลับ
ส่ง พารามิเตอร์รูปแบบการตอบกลับ ไปยังตัวตกแต่งจุดเชื่อมต่อ FastAPI จะตรวจสอบและกรองผลลัพธ์ให้ตรงกับสคีมา ตัดฟิลด์ส่วนเกินออก และจัดทำเอกสารการตอบกลับใน /docs
@app.post("/predict", response_model=PredictResponse)
def predict(req: PredictRequest) -> PredictResponse:
return PredictResponse(prediction=1.0, probability=0.92)list[float] สำหรับเวกเตอร์คุณลักษณะ
การกำหนดชนิดของคุณลักษณะเป็น list[float] หมายความว่าไพแดนติกจะปฏิเสธสตริงหรือชนิดข้อมูลที่ปะปนกันก่อนการอนุมาน ทำให้ตรวจพบข้อมูลนำเข้าที่มีรูปแบบไม่ถูกต้องตั้งแต่ขอบเขต แทนที่จะไปพบภายในโค้ดโมเดล
ข้อยกเว้น HTTP สำหรับข้อผิดพลาด
เมื่อชนิดข้อมูลผ่านการตรวจสอบแล้ว แต่ไม่ผ่านกฎทางธุรกิจ เช่น จำนวนคุณลักษณะไม่ถูกต้องหรือไม่รู้จักโมเดล ให้ยก ข้อยกเว้น HTTP พร้อมรหัสสถานะและข้อความ
from fastapi import HTTPException
@app.post("/predict")
def predict(req: PredictRequest):
if len(req.features) != 4:
raise HTTPException(status_code=422,
detail="Expected exactly 4 features")
return {"prediction": model.predict([req.features])[0]}ตัวตรวจสอบฟิลด์
field_validator ใช้บังคับใช้กฎแบบกำหนดเองกับฟิลด์ เช่น ปฏิเสธรายการคุณลักษณะที่ว่างเปล่า ก่อนที่ตรรกะของจุดเชื่อมต่อจะเริ่มทำงาน
from pydantic import BaseModel, field_validator
class PredictRequest(BaseModel):
features: list[float]
@field_validator("features")
@classmethod
def not_empty(cls, v):
if not v:
raise ValueError("features cannot be empty")
return vข้อจำกัดของฟิลด์
ใช้ Field สำหรับข้อจำกัดเชิงประกาศ เช่น ความยาวขั้นต่ำหรือช่วงค่าตัวเลข ซึ่งจะแสดงในเอกสารที่สร้างโดยอัตโนมัติด้วย
from pydantic import BaseModel, Field
class PredictRequest(BaseModel):
features: list[float] = Field(min_length=1)การตอบกลับ 422 โดยอัตโนมัติ
เมื่อคำขอไม่ผ่านการตรวจสอบของไพแดนติก FastAPI จะส่งคืน 422 เอนทิตีที่ไม่สามารถประมวลผลได้ พร้อมเนื้อหาข้อผิดพลาดโดยละเอียดโดยอัตโนมัติ โดยไม่ต้องเขียนโค้ดเพิ่มเติม นี่เป็นหนึ่งในจุดเด่นด้านการเพิ่มผลิตภาพที่สำคัญที่สุดของ FastAPI
ตรวจสอบความเข้าใจอย่างรวดเร็ว
ทดสอบความรู้เกี่ยวกับสคีมาไพแดนติกของท่าน
ทบทวน
ท่านกำหนดสคีมา BaseModel สำหรับคำขอและการตอบกลับ ใช้ list[float] สำหรับคุณลักษณะ ใช้ พารามิเตอร์รูปแบบการตอบกลับ ยก ข้อยกเว้น HTTP สำหรับข้อผิดพลาดทางธุรกิจ และเพิ่ม ตัวตรวจสอบฟิลด์ แล้ว FastAPI จะส่งคืน 422 โดยอัตโนมัติเมื่อข้อมูลนำเข้าไม่ถูกต้อง ขั้นถัดไป: การโหลดและให้บริการโมเดล
คำถามที่พบบ่อย
บทเรียน “สคีมา Pydantic สำหรับคำขอและการตอบกลับ” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “สคีมา Pydantic สำหรับคำขอและการตอบกลับ” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Learn AI with Python ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Learn AI with Python มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “สคีมา Pydantic สำหรับคำขอและการตอบกลับ”
BaseModel การตรวจสอบฟิลด์ คำใบ้ชนิดข้อมูล response_model และการจัดการข้อผิดพลาดจากการตรวจสอบ คุณปฏิบัติ Learn AI with Python ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Learn AI with Python หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน Learn AI with Python บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน
บทเรียน “สคีมา Pydantic สำหรับคำขอและการตอบกลับ” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน Learn AI with Python นี้ได้ไหม
ได้ บทเรียน Learn AI with Python ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- พื้นฐาน FastAPI สำหรับวิศวกรแมชชีนเลิร์นนิง
- สคีมา Pydantic สำหรับคำขอและการตอบกลับ
- การโหลดและให้บริการโมเดลแมชชีนเลิร์นนิง
- การจัดแบบจำลอง API ไว้ใน Docker