Menjalankan aplikasi FastAPI

Aplikasi FastAPI Anda telah disimpan dalam berkas Python bernama main.py. Anda ingin menjalankan aplikasi dari skrip Python menggunakan uvicorn.

Untuk menyajikan aplikasi FastAPI Anda langsung melalui skrip Python di solution.py, Anda perlu melengkapi blok kode yang mengatur host dan port server tempat API akan berjalan.

Latihan ini merupakan bagian dari kursus

Menerapkan AI ke Produksi dengan FastAPI

Instruksi latihan

Impor modul untuk menyalakan server uvicorn bagi API.
Mulai server uvicorn menggunakan metode run() untuk menjalankan aplikasi.
Konfigurasikan host ke 0.0.0.0 dan port ke 8080.
Jalankan skrip solution.py menggunakan perintah python3 di terminal.

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Menerapkan AI ke Produksi dengan FastAPI

SkillTag.level.advancedSkillTag.label

4.8+

Mulai Kursus Gratis

Mulai menyajikan prediksi model ML Anda melalui endpoint FastAPI. Anda akan mempelajari cara memuat model ML pra-latih dan membuat endpoint API untuk menyajikan prediksi sebagai respons terserialisasi melalui permintaan HTTP. Anda akan memanfaatkan model data Pydantic untuk memvalidasi permintaan dan respons.

Exercise 1: Permintaan GET dan POST untuk AI Exercise 2: Endpoint GET untuk informasi model Exercise 3: Endpoint POST untuk pendaftaran model Exercise 4: Prediksi FastAPI dengan model terlatih sebelumnya Exercise 5: Muat model pra-latih Exercise 6: Buat endpoint prediksi Exercise 7: Menjalankan aplikasi FastAPI

Latihan Saat Ini

Exercise 8: Model permintaan dan respons Exercise 9: Buat model Pydantic untuk input ML Exercise 10: Validasi request dan response untuk prediksi ML

Pelajari cara menyajikan model machine learning melalui endpoint FastAPI. Bab ini membahas pembuatan endpoint yang mengembalikan prediksi, menangani berbagai jenis data masukan, dan menerapkan validasi masukan yang andal. Anda akan membangun API siap produksi yang dapat memvalidasi beragam jenis data masukan sekaligus memuat model ML saat server mulai berjalan tanpa waktu henti.

Exercise 1: Menangani berbagai jenis input di FastAPI Exercise 2: Menangani data permintaan tekstual Exercise 3: Menangani data permintaan numerik Exercise 4: Validasi input di FastAPI Exercise 5: Validasi field Exercise 6: Menambahkan validator kustom Exercise 7: Menguji validator kustom Exercise 8: Memuat model pra-latih Exercise 9: Memuat model AI saat server startup Exercise 10: API pemeriksaan kesehatan untuk pemuatan model Exercise 11: Mengembalikan respons prediksi terstruktur Exercise 12: Mengembalikan keluaran terstruktur dari API Exercise 13: Menguji endpoint untuk respons terstruktur

Bab ini membahas pengamanan API dengan autentikasi berbasis kunci, mengelola laju permintaan dengan pembatasan laju khusus, dan meningkatkan performa melalui pemrosesan asinkron. Anda akan mempelajari cara melindungi endpoint, mencegah penyalahgunaan, dan menangani tugas yang memakan waktu secara efisien, sehingga mempersiapkan API Anda untuk produksi.

Exercise 1: Autentikasi Kunci API Exercise 2: Mengamankan API dengan autentikasi key Exercise 3: Amankan endpoint API Exercise 4: Pembatasan Laju (Rate Limiting)Exercise 5: Mengimplementasikan rate limiter Exercise 6: Tambahkan rate limiting ke endpoint Exercise 7: Pemrosesan asinkron Exercise 8: Buat endpoint analisis sentimen async Exercise 9: Menerapkan tugas latar belakang Exercise 10: Menangani error batas waktu (timeout)

Bab ini membahas topik lanjutan yang memungkinkan Anda mendukung aplikasi FastAPI jangka panjang di produksi. Topiknya mencakup versioning dan pendokumentasian endpoint API, validasi masukan lanjutan untuk mendukung masukan dan keluaran yang lebih kompleks, serta pemantauan dan logging untuk memastikan aplikasi berjalan dengan benar dan melakukan penelusuran masalah secara langsung saat tidak berjalan semestinya.

Exercise 1: Versi API dan dokumentasi Exercise 2: Klasifikasikan perubahan kode untuk versi endpoint baru Exercise 3: Menambahkan versi endpoint baru Exercise 4: Menambahkan header deskripsi API Exercise 5: Validasi input lanjutan dan penanganan kesalahan Exercise 6: Model bersarang Exercise 7: Validator model kustom Exercise 8: Penangan pengecualian global Exercise 9: Pemantauan dan pencatatan log Exercise 10: Mencatat waktu pemuatan model Exercise 11: Menambahkan endpoint health check sederhana Exercise 12: Membagikan parameter model untuk monitoring Exercise 13: Penutup