НачатьНачать бесплатно

Валидация запроса и ответа для предсказания модели машинного обучения

Продолжая работу дата-сайентиста в кофейной компании, вам теперь нужно создать эндпоинт FastAPI, который валидирует входные данные запроса с помощью модели CoffeeQualityInput и валидирует ответ с помощью модели QualityPrediction.

Этот эндпоинт будет принимать данные о кофе и возвращать предсказание качества вместе с оценкой уверенности.

Для этого упражнения модель уже загружена в функцию predict_quality.

Это упражнение является частью курса

Развёртывание ИИ в производственной среде с помощью FastAPI

Посмотреть курс

Инструкции к упражнению

  • Определите модель CoffeeQualityInput с полями aroma (float), flavor (float) и altitude (int).
  • Укажите response_model для валидации ответа в декораторе POST-запроса.
  • Укажите модель данных для валидации входных данных запроса, содержащего coffee_data.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

class CoffeeQualityInput(BaseModel):
    ____: ____
    ____: ____
    ____: ____
    
class QualityPrediction(BaseModel):
    quality_score: float 
    confidence: float

# Specify the data model to validate response
@app.post("/predict", response_model=____) 
# Specify the data model to validate input request
def predict(coffee_data: ____):
    prediction = predict_quality(coffee_data)
    return prediction
Редактировать и запускать код