Vytvoř asynchronní endpoint pro analýzu sentimentu
Buduješ analytickou platformu pro sociální sítě, která potřebuje analyzovat recenze z hlediska sentimentu. Aby platforma zvládla vysoký provoz, je potřeba implementovat async endpoint. Model pro analýzu sentimentu je již načtený a dostupný jako sentiment_model.
Toto cvičení je součástí kurzu
Nasazení AI do produkce s FastAPI
Pokyny k cvičení
- Vytvoř asynchronní POST endpoint
/analyzepomocí FastAPI aplikace. - Přidej klíčové slovo, které zajistí asynchronní volání
sentiment_modelbez blokování ostatních operací. - Spusť
sentiment_modelve vlákně na pozadí s textem recenze tak, aby nedošlo k zablokování smyčky událostí.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
from fastapi import FastAPI
from pydantic import BaseModel
app = FastAPI()
class Review(BaseModel):
text: str
# Create async endpoint at /analyze route
@app.post("____")
# Write an asynchronous function to process review's text
____ def analyze_review(review: Review):
# Run the model in a separate thread to avoid any event loop blockage
result = ____ asyncio.____(sentiment_model, ____)
return {"sentiment": result[0]["label"]}