Lade das vortrainierte Modell

Du bist Data Scientist in einem Naturschutzunternehmen. Du hast ein vortrainiertes Machine-Learning-Modell erhalten, das Pinguinarten vorhersagt.

Deine Aufgabe ist es, dieses Modell zu laden, damit es in einer API verwendet werden kann. Das Modell wurde mit joblib gespeichert.

Ein vortrainiertes ML-Modell ist in der Pickle-Datei gespeichert: penguin_classifier.pkl

Schreibe ein Skript, das die Pickle-Datei als Modell lädt. Teste dein Skript, indem du im Terminal python3 solution.py ausführst.

Diese Übung ist Teil des Kurses

<Kurs>KI in der Produktion mit FastAPI bereitstellen</Kurs>

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Diese Übung ist Teil des Kurses

<Kurs>KI in der Produktion mit FastAPI bereitstellen</Kurs>

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Stelle die Vorhersagen deines ML-Modells über FastAPI-Endpunkte bereit. Du lernst, vortrainierte ML-Modelle zu laden und API-Endpunkte zu erstellen, die Vorhersagen als serialisierte Antworten über HTTP-Anfragen liefern. Du nutzt Pydantic-Datenmodelle, um Anfragen und Antworten zu validieren.

Exercise 1: GET- und POST-Anfragen für KI Exercise 2: GET-Endpunkt für Modellinformationen Exercise 3: POST-Endpoint für die Modellregistrierung Exercise 4: Vorhersage mit FastAPI und einem vortrainierten Modell Exercise 5: Lade das vortrainierte Modell

Aktuelle Übung

Exercise 6: Erstelle den Vorhersage-Endpunkt Exercise 7: Die FastAPI-App starten Exercise 8: Request- und Response-Modelle Exercise 9: Erstelle ein Pydantic-Modell für ML-Eingaben Exercise 10: Anfrage und Antwort für ML-Vorhersage validieren

Lerne, wie du Machine-Learning-Modelle über FastAPI-Endpunkte bereitstellst. Dieses Kapitel behandelt das Erstellen von Endpunkten, die Vorhersagen zurückgeben, den Umgang mit verschiedenen Eingabedatentypen und die Implementierung robuster Eingabevalidierung. Du baust produktionsreife APIs, die unterschiedliche Eingabedaten validieren können, während ML-Modelle beim Serverstart mit null Downtime geladen werden.

Exercise 1: Verschiedene Eingabetypen in FastAPI verarbeiten Exercise 2: Textuelle Anfragedaten verarbeiten Exercise 3: Numerische Anfragedaten verarbeiten Exercise 4: Eingabevalidierung in FastAPI Exercise 5: Feldvalidierung Exercise 6: Eigene Validatoren hinzufügen Exercise 7: Eigene Validatoren testen Exercise 8: Ein vortrainiertes Modell laden Exercise 9: KI-Modell beim Serverstart laden Exercise 10: Health-Check-API für das Modell-Laden Exercise 11: Strukturierte Vorhersageantwort zurückgeben Exercise 12: Strukturierte Ausgabe aus der API zurückgeben Exercise 13: Endpoint für strukturierte Antwort testen

Dieses Kapitel behandelt das Absichern von APIs mit schlüsselbasierter Authentifizierung, das Steuern von Anfrageraten mit benutzerdefiniertem Rate Limiting und die Leistungsverbesserung durch asynchrone Verarbeitung. Du lernst, Endpunkte zu schützen, Missbrauch zu verhindern und zeitaufwendige Aufgaben effizient zu handhaben – damit deine API produktionsbereit ist.

Exercise 1: API-Schlüssel-Authentifizierung Exercise 2: APIs mit Schlüssel-Authentifizierung absichern Exercise 3: Sichere den API-Endpunkt Exercise 4: Rate Limiting Exercise 5: Rate Limiting implementieren Exercise 6: Rate Limiting zum Endpoint hinzufügen Exercise 7: Asynchrone Verarbeitung Exercise 8: Erstelle einen asynchronen Sentiment-Analyse-Endpunkt Exercise 9: Hintergrundaufgaben implementieren Exercise 10: Timeout-Fehler behandeln

Dieses Kapitel deckt fortgeschrittene Themen ab, die es dir ermöglichen, FastAPI-Apps langfristig in der Produktion zu betreiben. Dazu gehören die Versionierung und Dokumentation von API-Endpunkten, erweiterte Eingabevalidierung für komplexere Ein- und Ausgaben sowie Monitoring und Logging, um den fehlerfreien Betrieb sicherzustellen und Probleme im Live-Betrieb zu beheben.

Exercise 1: API-Versionierung und Dokumentation Exercise 2: Codeänderungen für neue Endpoint-Versionen klassifizieren Exercise 3: Eine neue Endpoint-Version hinzufügen Exercise 4: Einen Beschreibungskopf zur API hinzufügen Exercise 5: Erweiterte Eingabevalidierung und Fehlerbehandlung Exercise 6: Modelle verschachteln Exercise 7: Benutzerdefinierter Model-Validator Exercise 8: Globaler Exception-Handler Exercise 9: Monitoring und Logging Exercise 10: Ladezeit eines Modells loggen Exercise 11: Einen einfachen Health-Check-Endpunkt hinzufügen Exercise 12: Modellparameter für Monitoring bereitstellen Exercise 13: Abschluss