Créer un modèle Pydantic pour l'entrée ML
Vous développez une application FastAPI pour déployer un modèle d'apprentissage automatique qui prédit la note de qualité d'un café en fonction d'attributs tels que l'arôme, la saveur et l'altitude.
La première étape consiste à créer un modèle Pydantic afin de valider les données de requête d'entrée pour votre modèle ML et de garantir que seules les données valides transitent par le modèle pour une prédiction réussie.
Cet exercice fait partie du cours
Déployer l'IA en production avec FastAPI
Instructions
- Importez la classe de validation de base depuis Pydantic afin de 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: ____