LoslegenKostenlos starten

Erstelle ein Pydantic-Modell für ML-Eingaben

Du entwickelst eine FastAPI-Anwendung, um ein Machine-Learning-Modell bereitzustellen, das die Qualitätsbewertung von Kaffee anhand von Merkmalen wie Aroma, Geschmack und Höhenlage vorhersagt.

Der erste Schritt ist, ein Pydantic-Modell zu erstellen, das die Eingabedaten der Anfrage für dein ML-Modell validiert und sicherstellt, dass nur gültige Daten in das Modell gelangen, damit die Vorhersage erfolgreich ist.

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

  • Importiere die Basis-Validierungsklasse aus Pydantic, um ein Datenmodell zu erstellen.
  • Definiere eine Klasse namens CoffeeQualityInput, die von der Pydantic-Basisklasse erbt.
  • Füge der Klasse drei Attribute hinzu: aroma (float), flavor (float) und altitude (int).

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import the base class from pydantic
from pydantic import ____ 

class CoffeeQualityInput(____):
    # Use apt data type for each attribute of coffee quality
    aroma: ____  
    flavor: ____  
    altitude: ____
Code bearbeiten und ausführen