Tworzenie modelu Pydantic dla danych wejściowych ML
Tworzysz aplikację FastAPI, która wdraża model uczenia maszynowego przewidujący ocenę jakości kawy na podstawie takich atrybutów jak aromat, smak i wysokość nad poziomem morza.
Pierwszy krok to utworzenie modelu Pydantic, który będzie walidować dane wejściowe żądania dla twojego modelu ML i zapewni, że do modelu trafiają tylko poprawne dane – niezbędne do uzyskania prawidłowej predykcji.
To ćwiczenie jest częścią kursu
Wdrażanie AI na produkcję z FastAPI
Instrukcje do ćwiczenia
- Zaimportuj bazową klasę walidacji z Pydantic, aby utworzyć model danych.
- Zdefiniuj klasę o nazwie
CoffeeQualityInput, która dziedziczy po bazowej klasie Pydantic. - Dodaj do klasy trzy atrybuty:
aroma(float),flavor(float) orazaltitude(int).
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import the base class from pydantic
from pydantic import ____
class CoffeeQualityInput(____):
# Use apt data type for each attribute of coffee quality
aroma: ____
flavor: ____
altitude: ____