Ievadceļš mašīnmācīšanās API izvietošanai ar FastAPI: Pamācība iesācējiem

Pamācība mašīnmācīšanās modeļa ieviešanai kā API, izmantojot FastAPI

Šajā pamācībā jūs uzzināsit, kā izvietot mašīnmācīšanās modeli kā API, izmantojot FastAPI. Mēs izveidosim API, kas paredz pingvīnu sugu, balstoties uz tā knābja garumu un spārnu garumu.

Priekšnosacījumi

• Pamatzināšanas par Python
• Python instalēts jūsu sistēmā (vēlams 3.7. vai jaunāka versija)
• Iepazīšanās ar mašīnmācīšanās koncepcijām (nav obligāti)

1. solis: Sagatavojiet savu vidi

1. Izveidojiet projekta direktoriju
   Atveriet terminālu un izveidojiet jaunu direktoriju savam projektam.
2. Izveidojiet virtuālo vidi
   Izveidojiet un aktivizējiet virtuālo vidi.
3. Windows sistēmās izmantojiet: venv\Scripts\activate
4. Instalējiet nepieciešamās pakotnes
   Instalējiet FastAPI, Uvicorn (lai apkalpotu lietotni) un citas nepieciešamās bibliotēkas.

2. solis: Sagatavojiet savu mašīnmācīšanās modeli

1. Lejupielādējiet datu kopu
   Šim piemēram mēs izmantosim Palmer Pingvīnu datu kopu. Jūs varat to lejupielādēt no šejienes.
2. Izveidojiet Python skriptu modelim
   Izveidojiet failu ar nosaukumu model.py jūsu projekta direktorijā.

3. solis: Izveidojiet FastAPI lietotni

1. Izveidojiet galveno lietotnes failu
   Izveidojiet failu ar nosaukumu main.py.

4. solis: Palaidiet savu FastAPI lietotni

1. Palaidiet lietotni
   Terminālā palaidiet šādu komandu.
2. Piekļūstiet API
   Atveriet savu pārlūkprogrammu un dodieties uz http://127.0.0.1:8000/docs. Tiks atvērta Swagger UI, kur jūs varēsiet testēt savu API.

5. solis: Pārbaudiet savu API

1. Izmantojiet Swagger UI
   Swagger UI atrodiet /predict galapunktu, noklikšķiniet uz tā un pēc tam uz “Try it out”. Ievadiet vērtības bill_length un flipper_length, pēc tam noklikšķiniet uz “Execute”. Jums vajadzētu redzēt atbildi ar paredzēto pingvīnu sugu!

Secinājumi

Apsveicam! Jūs esat veiksmīgi izvietojis mašīnmācīšanās API, izmantojot FastAPI. Šajā pamācībā tika apskatīti šādi punkti:

• Vides iestatīšana.
• Mašīnmācīšanās modeļa sagatavošana.
• FastAPI lietotnes izveide.
• API palaišana un testēšana.

Nākamās darbības

• Izpētiet papildu FastAPI funkcijas, piemēram, autentifikāciju un datu bāzu integrāciju.
• Eksperimentējiet ar dažādiem mašīnmācīšanās modeļiem un datu kopām.
• Apsveriet iespēju konteinerizēt savu lietotni, izmantojot Docker, lai atvieglotu izvietošanu.

Jūtieties brīvi sazināties, ja jums ir kādi jautājumi vai nepieciešama papildu palīdzība!

https://www.marktechpost.com/