Köra FastAPI-appen

Din FastAPI-app har sparats i en Python-fil som heter main.py. Nu vill du köra appen från ett Python-skript med hjälp av uvicorn.

För att köra din FastAPI-app direkt via Python-skriptet i solution.py behöver du slutföra kodblocket som konfigurerar host och port för servern där API:et ska köras.

Den här övningen är en del av kursen

Driftsättning av AI i produktion med FastAPI

Övningsinstruktioner

Importera modulen som startar uvicorn-servern för API:et.
Starta uvicorn-servern med hjälp av dess run()-metod för att köra applikationen.
Konfigurera hosten till 0.0.0.0 och porten till 8080.
Kör skriptet solution.py med kommandot python3 i terminalen.

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Driftsättning av AI i produktion med FastAPI

SkillTag.level.advancedSkillTag.label

4.8+

Starta kursen gratis

Börja leverera prediktioner från din ML-modell via FastAPI-endpoints. Du lär dig att läsa in förtränade ML-modeller och skapa API-endpoints som returnerar prediktioner som serialiserade svar över HTTP-förfrågningar. Du använder Pydantics datamodeller för att validera förfrågningar och svar.

Exercise 1: GET- och POST-förfrågningar för AI Exercise 2: GET-endpoint för modellinformation Exercise 3: POST-endpoint för modellregistrering Exercise 4: FastAPI-prediktion med en förtränad modell Exercise 5: Ladda den förtränade modellen Exercise 6: Skapa prediktionsendpointen Exercise 7: Köra FastAPI-appen

Aktuell övning

Exercise 8: Modeller för förfrågningar och svar Exercise 9: Skapa en Pydantic-modell för ML-indata Exercise 10: Validera förfrågan och svar för ML-prediktion

Lär dig att exponera maskininlärningsmodeller via FastAPI-endpoints. Det här kapitlet behandlar hur du skapar endpoints som returnerar prediktioner, hanterar olika typer av indata och implementerar robust indatavalidering. Du bygger produktionsklara API:er som kan validera olika typer av indata, med ML-modeller inlästa vid serverstart och utan driftstopp.

Exercise 1: Hantera olika indatatyper i FastAPI Exercise 2: Hantera textbaserad förfrågningsdata Exercise 3: Hantera numerisk request-data Exercise 4: Indatavalidering i FastAPI Exercise 5: Fältvalidering Exercise 6: Lägga till anpassade validerare Exercise 7: Testa anpassade validerare Exercise 8: Läsa in en förtränad modell Exercise 9: Läsa in AI-modellen vid serveruppstart Exercise 10: Hälsokontroll-API för modellinladdning Exercise 11: Returnera ett strukturerat prediktionssvar Exercise 12: Returnera strukturerade utdata från API Exercise 13: Testa endpointen för strukturerat svar

Det här kapitlet behandlar hur du säkrar API:er med nyckelbaserad autentisering, hanterar förfrågningsfrekvens med anpassad hastighetsbegränsning och förbättrar prestanda genom asynkron bearbetning. Du lär dig att skydda endpoints, förhindra missbruk och hantera tidskrävande uppgifter effektivt – och gör därigenom ditt API redo för produktion.

Exercise 1: API-nyckelautentisering Exercise 2: Skydda API:er med nyckelautentisering Exercise 3: Skydda API-slutpunkten Exercise 4: Frekvensbegränsning Exercise 5: Implementera en rate limiter Exercise 6: Lägg till rate limiting för endpoint Exercise 7: Asynkron bearbetning Exercise 8: Skapa en asynkron endpoint för sentimentanalys Exercise 9: Implementera bakgrundsuppgifter Exercise 10: Hantera timeoutfel

Det här kapitlet tar upp avancerade ämnen som hjälper dig att underhålla FastAPI-applikationer i produktion på lång sikt. Ämnena inkluderar versionering och dokumentation av API-endpoints, avancerad indatavalidering för mer komplex in- och utdata samt övervakning och loggning för att säkerställa att applikationerna fungerar korrekt och för att felsöka i realtid när de inte gör det.

Exercise 1: API-versionering och dokumentation Exercise 2: Klassificera kodändringar för nya endpointversioner Exercise 3: Lägga till en ny version av en endpoint Exercise 4: Lägga till en beskrivningsrubrik i API:et Exercise 5: Avancerad indatavalidering och felhantering Exercise 6: Nästlade modeller Exercise 7: Anpassad modellvalidering Exercise 8: Global undantagshanterare Exercise 9: Övervakning och loggning Exercise 10: Logga inläsningstid för en modell Exercise 11: Lägga till en enkel hälsokontrollendpunkt Exercise 12: Dela modellparametrar via övervakning Exercise 13: Avslutning