Skapa en Pydantic-modell för ML-indata
Du utvecklar en FastAPI-applikation för att driftsätta en maskininlärningsmodell som förutsäger kvalitetspoängen för kaffe baserat på attribut som arom, smak och höjd över havet.
Första steget är att skapa en Pydantic-modell för att validera indata i förfrågningar till din ML-modell och säkerställa att endast giltig data skickas vidare för lyckad modellprediktion.
Den här övningen är en del av kursen
Driftsättning av AI i produktion med FastAPI
Övningsinstruktioner
- Importera basvalideringsklassen från Pydantic för att skapa en datamodell.
- Definiera en klass med namnet
CoffeeQualityInputsom ärver från Pydantics basklass. - Lägg till tre attribut i klassen:
aroma(float),flavor(float) ochaltitude(int).
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import the base class from pydantic
from pydantic import ____
class CoffeeQualityInput(____):
# Use apt data type for each attribute of coffee quality
aroma: ____
flavor: ____
altitude: ____