Klasyfikuj zmiany w kodzie pod kątem nowych wersji endpointów

Sklasyfikuj zmiany w kodzie według tego, czy wymagają dodania nowej wersji endpointu.

To ćwiczenie jest częścią kursu

Wdrażanie AI na produkcję z FastAPI

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Wdrażanie AI na produkcję z FastAPI

SkillTag.level.advancedSkillTag.label

4.8+

423 reviews

Rozpocznij kurs za darmo

Zacznij udostępniać predykcje swojego modelu ML za pomocą endpointów FastAPI. Nauczysz się wczytywać wstępnie wytrenowane modele ML i tworzyć endpointy API, które zwracają predykcje jako serializowane odpowiedzi na żądania HTTP. Wykorzystasz modele danych Pydantic do walidacji żądań i odpowiedzi.

Exercise 1: Żądania GET i POST w zastosowaniach AI Exercise 2: Endpoint GET z informacjami o modelu Exercise 3: Endpoint POST do rejestracji modelu Exercise 4: Przewidywania FastAPI z wykorzystaniem wstępnie wytrenowanego modelu Exercise 5: Wczytanie wstępnie wytrenowanego modelu Exercise 6: Tworzenie endpointu predykcji Exercise 7: Uruchamianie aplikacji FastAPI Exercise 8: Modele żądań i odpowiedzi Exercise 9: Tworzenie modelu Pydantic dla danych wejściowych ML Exercise 10: Walidacja żądania i odpowiedzi dla predykcji modelu ML

Dowiedz się, jak udostępniać modele uczenia maszynowego przez endpointy FastAPI. Rozdział obejmuje tworzenie endpointów zwracających predykcje, obsługę różnych typów danych wejściowych oraz implementację solidnej walidacji danych. Zbudujesz API gotowe na produkcję, które potrafi walidować różne typy danych wejściowych, a modele ML są wczytywane przy starcie serwera – bez przestojów.

Exercise 1: Obsługa różnych typów danych wejściowych w FastAPI Exercise 2: Obsługa tekstowych danych żądania Exercise 3: Obsługa numerycznych danych żądania Exercise 4: Walidacja danych wejściowych w FastAPI Exercise 5: Walidacja pól Exercise 6: Dodawanie własnych walidatorów Exercise 7: Testowanie własnych walidatorów Exercise 8: Wczytywanie wstępnie wytrenowanego modelu Exercise 9: Ładowanie modelu AI podczas uruchamiania serwera Exercise 10: Endpoint health-check do weryfikacji załadowania modelu Exercise 11: Zwracanie ustrukturyzowanej odpowiedzi z predykcją Exercise 12: Zwracanie ustrukturyzowanych wyników z API Exercise 13: Testowanie endpointu dla ustrukturyzowanej odpowiedzi

Ten rozdział dotyczy zabezpieczania API za pomocą uwierzytelniania kluczem, zarządzania limitem żądań z użyciem własnego rate limitingu oraz poprawy wydajności dzięki przetwarzaniu asynchronicznemu. Nauczysz się chronić endpointy, zapobiegać nadużyciom i efektywnie obsługiwać czasochłonne zadania – wszystko po to, by przygotować API na środowisko produkcyjne.

Exercise 1: Uwierzytelnianie za pomocą kluczy API Exercise 2: Zabezpieczanie API za pomocą uwierzytelniania kluczem Exercise 3: Zabezpiecz endpoint API Exercise 4: Ograniczanie liczby żądań Exercise 5: Implementacja limitera żądań Exercise 6: Dodaj ograniczenie liczby żądań do endpointu Exercise 7: Przetwarzanie asynchroniczne Exercise 8: Tworzenie asynchronicznego endpointu do analizy sentymentu Exercise 9: Implementowanie zadań w tle Exercise 10: Obsługa błędów przekroczenia limitu czasu

Ten rozdział obejmuje zaawansowane zagadnienia, które pozwolą ci długoterminowo utrzymywać aplikacje FastAPI na produkcji. Tematy obejmują wersjonowanie i dokumentowanie endpointów API, zaawansowaną walidację danych wejściowych do obsługi bardziej złożonych danych wejściowych i wyjściowych, a także monitorowanie i logowanie w celu zapewnienia poprawnego działania aplikacji i szybkiego rozwiązywania problemów na żywo.

Exercise 1: Wersjonowanie i dokumentacja API Exercise 2: Klasyfikuj zmiany w kodzie pod kątem nowych wersji endpointów

Bieżące ćwiczenie

Exercise 3: Dodawanie nowej wersji endpointu Exercise 4: Dodawanie nagłówka z opisem API Exercise 5: Zaawansowana walidacja danych wejściowych i obsługa błędów Exercise 6: Zagnieżdżanie modeli Exercise 7: Niestandardowy walidator modelu Exercise 8: Globalny handler wyjątków Exercise 9: Monitorowanie i logowanie Exercise 10: Rejestrowanie czasu ładowania modelu Exercise 11: Dodawanie prostego endpointu health check Exercise 12: Udostępnianie parametrów modelu w monitorowaniu Exercise 13: Podsumowanie