Spuštění FastAPI aplikace

Tvoje FastAPI aplikace je uložená v souboru main.py. Chceš ji spustit přímo z Python skriptu pomocí uvicorn.

Aby bylo možné spustit FastAPI aplikaci přímo ze skriptu solution.py, je potřeba dokončit blok kódu, který nastavuje host a port serveru, na kterém bude API běžet.

Toto cvičení je součástí kurzu

Nasazení AI do produkce s FastAPI

Pokyny k cvičení

Importuj modul pro spuštění uvicorn serveru pro API.
Spusť uvicorn server pomocí jeho metody run(), která zajistí běh aplikace.
Nastav host na 0.0.0.0 a port na 8080.
Spusť skript solution.py příkazem python3 v terminálu.

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

Aktuální cvičení

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 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