Roztřiď změny kódu podle toho, zda vyžadují novou verzi endpointu

Roztřiď změny kódu podle toho, jestli je potřeba přidat novou verzi endpointu, nebo ne.

Toto cvičení je součástí kurzu

Nasazení AI do produkce s FastAPI

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Nasazení AI do produkce s FastAPI

SkillTag.level.advancedSkillTag.label

4.8+

Začněte kurz zdarma

Začni obsluhovat predikce svého ML modelu prostřednictvím FastAPI endpointů. Naučíš se načítat předtrénované ML modely a vytvářet API endpointy, které vrací predikce jako serializované odpovědi přes HTTP požadavky. Využiješ Pydantic datové modely k validaci požadavků i odpovědí.

Exercise 1: GET a POST požadavky pro AI Exercise 2: GET endpoint pro informace o modelu Exercise 3: POST endpoint pro registraci modelu Exercise 4: Predikce pomocí FastAPI s předtrénovaným modelem Exercise 5: Načtení předtrénovaného modelu Exercise 6: Vytvoření endpointu pro predikci Exercise 7: Spuštění FastAPI aplikace Exercise 8: Modely požadavků a odpovědí Exercise 9: Vytvoření Pydantic modelu pro vstup do ML modelu Exercise 10: Ověření požadavku a odpovědi pro ML predikci

Nauč se obsluhovat modely strojového učení prostřednictvím FastAPI endpointů. Tato kapitola pokrývá tvorbu endpointů vracejících predikce, zpracování různých typů vstupních dat a implementaci důkladné validace vstupů. Sestavíš API připravená pro produkci, která dokážou validovat různé typy vstupních dat a zároveň načítat ML modely při spuštění serveru bez jakéhokoliv výpadku.

Exercise 1: Zpracování různých typů vstupních dat ve FastAPI Exercise 2: Zpracování textových dat v požadavku Exercise 3: Zpracování numerických dat v požadavku Exercise 4: Validace vstupních dat ve FastAPI Exercise 5: Validace polí Exercise 6: Přidávání vlastních validátorů Exercise 7: Testování vlastních validátorů Exercise 8: Načtení předtrénovaného modelu Exercise 9: Načtení AI modelu při spuštění serveru Exercise 10: Health-check API pro načítání modelu Exercise 11: Vrácení strukturované predikce jako odpovědi Exercise 12: Vrácení strukturovaného výstupu z API Exercise 13: Testování endpointu pro strukturovanou odpověď

Tato kapitola se zaměřuje na zabezpečení API pomocí autentizace klíčem, správu četnosti požadavků s vlastním rate limitingem a zvýšení výkonu prostřednictvím asynchronního zpracování. Naučíš se chránit endpointy, předcházet zneužití a efektivně zvládat časově náročné úlohy – a připravíš tak své API na produkční provoz.

Exercise 1: Autentizace pomocí API klíče Exercise 2: Zabezpečení API pomocí klíčové autentizace Exercise 3: Zabezpeč API endpoint Exercise 4: Omezení počtu požadavků Exercise 5: Implementace rate limiteru Exercise 6: Přidání rate limitingu do endpointu Exercise 7: Asynchronické zpracování Exercise 8: Vytvoř asynchronní endpoint pro analýzu sentimentu Exercise 9: Implementace úloh na pozadí Exercise 10: Zpracování chyb při vypršení časového limitu

Tato kapitola pokrývá pokročilá témata, která ti umožní dlouhodobě provozovat FastAPI aplikace v produkci. Dozvíš se, jak verzovat a dokumentovat API endpointy, jak provádět pokročilou validaci vstupů pro složitější vstupy i výstupy a jak pomocí monitorování a logování zajistit správný chod aplikací a řešit problémy za běhu.

Exercise 1: Verzování a dokumentace API Exercise 2: Roztřiď změny kódu podle toho, zda vyžadují novou verzi endpointu

Aktuální cvičení

Exercise 3: Přidání nové verze endpointu Exercise 4: Přidání popisu do hlavičky API Exercise 5: Pokročilá validace vstupů a zpracování chyb Exercise 6: Vnoření modelů Exercise 7: Vlastní validátor modelu Exercise 8: Globální obsluha výjimek Exercise 9: Monitoring a logování Exercise 10: Logování doby načítání modelu Exercise 11: Přidání jednoduchého health check endpointu Exercise 12: Sdílení parametrů modelu při monitorování Exercise 13: Shrnutí