CommencerCommencer gratuitement

Créer un modèle Pydantic pour l’entrée ML

Vous développez une application FastAPI pour déployer un modèle de Machine Learning qui prédit la note de qualité d’un café à partir d’attributs comme l’arôme, la saveur et l’altitude.

La première étape consiste à créer un modèle Pydantic pour valider les données d’entrée de la requête de votre modèle ML et garantir que seules des données valides circulent dans le modèle afin d’obtenir des prédictions fiables.

Cet exercice fait partie du cours

Déployer l’IA en production avec FastAPI

Afficher le cours

Instructions

  • Importez la classe de validation de base de Pydantic pour créer un modèle de données.
  • Définissez une classe nommée CoffeeQualityInput qui hérite de la classe de base Pydantic.
  • Ajoutez trois attributs à la classe : aroma (float), flavor (float) et altitude (int).

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import the base class from pydantic
from pydantic import ____ 

class CoffeeQualityInput(____):
    # Use apt data type for each attribute of coffee quality
    aroma: ____  
    flavor: ____  
    altitude: ____
Modifier et exécuter le code