Una pars missionis machinam discendi efficit exemplar. In rerum ipsum sit amet lorem accumsan tincidunt.
Simplicissima et popularis via ad exempla discendi explicandi apparatus est eos includere in API REST.
Cum bibliotheca vulgaris FastAPI dicta est, hoc prorsus est quod hodie feremus.
Sed quid est? FastAPI?
FastAPI Python fabricae interretialis creatus est e terra usque ad facultatem Pythonis hodiernae utendi.
Nam asynchrona, communicatio cum clientibus concurrens, vexillum ASGI adhaeret, dum etiam WSGI uti capax est.
Fines et itinera et functiones async uti possunt. Accedit, FastAPI ope instrumentorum interretialium producendi, in typo Pythone noto, mundo, hodierno codice.
FastAPI usus principalis casus est, ut nomen sonat, terminos API creans.
Vexillum OpenAPI utens, quod includit interactivum Swagger UI, vel data glossario Pythone ut JSON praebens, utraque simplex via est ad hoc assequendum. Sed FastAPI non solum APIs est.
Adhiberi potest ad normas interretiales utens machinam Jinja2 templates offerre et apps utendis interretialibus inservire, praeter omnia alia fere compage interreti facere potest.
In hoc articulo, machinam simplicem discendi exemplar dabimus et FastAPI ad explicandum utemur. De primo.
Installation of FastAPI et creatio primi API
Bibliothecam inaugurari et servo ASGI primo desideratur; aut Uvuicorn aut Hypercorn faciet. Hoc mandatum in Terminal intrando operatur:
Nunc API creatum est, praelatum codicem editorem uti potes et per eum percurrere. Python scriptum crea ml_model.py ut incipiat. Gratum est tibi aliud nomen dare, sed causa huius tabellae, hunc fasciculum referam sicut ml_model.py.
Ut directum API cum duobus terminis creare, sequentia munera perficere debes:
- Inferre bibliothecas FastAPI et Uvicorn.
- FastAPI genus exempli causa extruxerat.
- Iter primum indica, quod in indice pagina directum JSON objectum producit.
- Iter alterum declara, quod directum JSON obiectum cum nativus nuntius praebet. Nomen parametri ab domicilio sumptum est (verbi gratia https://127.0.0.1:8000/Jay).
- Utendum Uvicorno API currere.
Hos quinque gradus exsequentes in hoc codice ie particula demonstratur. API creando simplex est
Omnia feci! Nostram API statim demus. Aperi fenestram Terminalem proximam ad ml model.py lima ut hoc perficias. Deinde intrant sequentia:
Intra key. Priusquam progrediamur, hanc assertionem debunkamus. Prima app utitur sola nominis fasciculo Pythonis, sine extensione. Secundo app debet habere eiusdem nominis ut FastAPI exempli.
Utendo -reload, narras API te velle illud reload sponte, cum tabellam potius quam a scalpere incipias servas.
Nunc navigatrum mitte et naviga ad https://127.0.0.1:8000; exitus videri debet:
Nunc intelligis quomodo simplici API utendo FastAPI creare possis.
Aedificationem ac formationem Machina Doctrinae exemplar
Sine colligendis vel analysibus aliqua data, simplex exemplar mox docebimus. Haec extraneae sunt ad exemplorum instruere neque ad rem praesentem necessaria sunt.
Exemplar secundum Iris dataset institui potest eodem utendo network neural institutionem modum.
Et hoc modo faciemus: download the Iris dataset et instituendi exemplum. Quod non erit simplex. Incipere, fasciculum facere nomine jaysmlmodel.py.
In hoc tu haec facis;
- Importat — Opus est tibi pandas, scikit-RandomForecastClassifier, disce pydanticum BaseModel (quare in sequenti gradu invenies), et joblib ad condenda et onerandas exempla.
- IrisSpecies genus declarare quod ex basi exemplar hereditat. Hoc genus solum continet agros ut unam speciem floris praenuntient (plura in altera sectione)
- Classem crea. IrisModel est exemplar disciplinae et instrumenti praedictio.
- Declara methodum nomine _train exemplar in IrisModel. Exemplaria instituendi adhibetur ad ars Random silvae. Exercitum exemplar per modum procedendi redditur.
- Speciem praedictam functionis in IrisModel declarare. Praecognoscere adiuvatur in factoribus input 4 secundum (mensuras floris). Utraque praesagio (floris species) et coniectura probabilitas ab algorithmo reddit.
- Mutare conditorem in IrisModel ita ut Iris dataset oneret et exemplar doceat si a folder desit. Hoc problema solvit saepe nova exempla instituendi. In bibliotheca joblibi adhibita est ad exemplar loading ac salutaris.
Totum codicem hic est:
Spero indicem superius et commentaria facile comprehendere fecerunt, quamquam hoc codicem efficiendi notabile fuit. Nunc ut hoc exemplar enucleatum sit, eius praedictionis facultates super a publici iuris faciamus API CETEROQUIN.
Reliqua API construendo plenam
Redi ad ml_model.py fasciculum et omnia notitia purga. Boilerplate per se eadem erit quae antea habuisti, sed fasciculi blank incipere debebimus.
Unum punctum temporis tantum definies, quod unum genus floris determinare consuevit. IrisModel.predict species, quae in praecedenti sectione declarata est, hoc puncto ad praenuntiationem peragendam vocatur.
Petitio generis est altera mutatio magna. Ut ambitum in JSON potius quam URL transmittat, commendatur ut post uteris cum utens doctrina apparatus Corniger Apis eat.
Praecedens sententia fortasse quasi gibberis sonuit, si tu es data physicussed id licet. Ad exempla designandi et explicandi, non necessario necesse est ut in petitionibus HTTP et REQUIES APIs peritus sit.
Opera pro ml model.py pauca et aperta sunt;
- Inferre debes sequentia ex file jaymlmodel.py antea creato: uvicornis, FastAPI, IrisModel et IrisSpecies.
- Exempla FastAPI et IrisModel crea.
- Munus declarare apud https://127.0.0.1:8000/ praedicere ut praedicere.
- The IrisModel.predict species () methodus objectum speciei IrisSpecies recipit, in dictionary transformat, ac deinde redit. Reditus genus expectatur et probabilitas praedicitur.
- Utere uvicorni ad faciendum API.
Sed rursus hic totus fasciculi codicem cum suis commentis coniungit:
Hoc totum debes facere. Proximum est, experiamur API.
Testis API
Re- intrare in linea Terminatio sequens API exequi: uvicorn ml_model: app -reload
Ita apparet documenta pagina:
Ita ut hodie est. Post hoc in parte concludamus.
Conclusio
Hodie quid sit FastAPI didicisti et quomodo eo utaris, utens tam simplici API exemplo et simplici machina discendi exemplo. Discisti etiam quomodo API documentum creare ac considerare, tum probare.
Multum unum est, ne mireris si paucas lectiones recte intelligas.
Felix coding.
Leave a Reply