Yeni uç nokta sürümleri için kod değişikliklerini sınıflandır

Uç noktanın yeni bir sürümünün eklenip eklenmemesi gerektiğine göre kod değişikliklerini sınıflandır.

Bu egzersiz, kursun bir parçasıdır

FastAPI ile Üretime AI Dağıtımı

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

FastAPI ile Üretime AI Dağıtımı

AvançadoNível de habilidade

4.8+

Kursa Ücretsiz Başla

ML modelinin tahminlerini FastAPI uç noktaları üzerinden sunmaya başla. Önceden eğitilmiş ML modellerini yüklemeyi ve HTTP istekleri üzerinden serileştirilmiş yanıtlar olarak tahmin döndüren API uç noktaları oluşturmayı öğreneceksin. İstek ve yanıtları doğrulamak için Pydantic veri modellerinden yararlanacaksın.

Exercise 1: AI için GET ve POST istekleri Exercise 2: Model bilgisi için GET endpoint'i Exercise 3: Model kaydı için POST endpoint Exercise 4: Önceden eğitilmiş bir modelle FastAPI tahmini Exercise 5: Önceden eğitilmiş modeli yükle Exercise 6: Tahmin uç noktasını oluştur Exercise 7: FastAPI uygulamasını çalıştırma Exercise 8: İstek ve yanıt modelleri Exercise 9: ML girişi için bir Pydantic modeli oluştur Exercise 10: ML tahmini için istek ve yanıtı doğrula

Machine Learning modellerini FastAPI uç noktaları üzerinden nasıl sunacağını öğren. Bu bölüm, tahmin döndüren uç noktalar oluşturmayı, farklı türde girdi verilerini işlemeyi ve sağlam girdi doğrulaması uygulamayı kapsar. Sunucu başlatılırken ML modelleri sıfır kesintiyle yüklüyken, farklı girdi türlerini doğrulayabilen üretime hazır API'ler kuracaksın.

Exercise 1: FastAPI'de farklı giriş türlerini işleme Exercise 2: Metinsel istek verisini işle Exercise 3: Sayısal istek verilerini işle Exercise 4: FastAPI'de girdi doğrulama Exercise 5: Alan doğrulaması Exercise 6: Özel doğrulayıcılar ekleme Exercise 7: Özel doğrulayıcıları test etme Exercise 8: Önceden eğitilmiş bir modeli yükleme Exercise 9: Sunucu başlatılırken AI modelini yükleme Exercise 10: Model yüklemesi için sağlık kontrolü (health-check) API'si Exercise 11: Yapılandırılmış tahmin yanıtı döndürme Exercise 12: API'den yapılandırılmış çıktı döndürme Exercise 13: Yapılandırılmış yanıt için endpoint'i test etme

Bu bölüm, anahtar tabanlı kimlik doğrulamayla API'leri güvene almayı, özel hız sınırlandırma ile istek oranlarını yönetmeyi ve eşzamansız işlemeyle performansı iyileştirmeyi kapsar. Uç noktaları korumayı, kötüye kullanımı önlemeyi ve zaman alan görevleri verimli şekilde ele almayı öğrenecek, API'ni üretime hazırlayacaksın.

Exercise 1: API Anahtarı ile Kimlik Doğrulama Exercise 2: Anahtar kimlik doğrulamasıyla API'leri güvene almak Exercise 3: API uç noktasını güvene al Exercise 4: Oran Sınırlandırma Exercise 5: Hız sınırlayıcıyı uygulama Exercise 6: Uç noktaya rate limiting ekle Exercise 7: Asenkron işleme Exercise 8: Async bir duygu analizi endpoint'i oluştur Exercise 9: Arka plan görevlerini uygulama Exercise 10: Zaman aşımı hatalarını yönetme

Bu bölüm, FastAPI uygulamalarını üretimde uzun vadede desteklemeni sağlayacak ileri konuları kapsar. Konular arasında API uç noktalarının sürümlenmesi ve belgelenmesi, daha karmaşık girdi ve çıktıları desteklemek için gelişmiş girdi doğrulama, ayrıca uygulamaların doğru çalıştığını sağlamak ve sorun çıktığında canlıda teşhis etmek için izleme ve günlükleme bulunur.

Exercise 1: API sürümleme ve dokümantasyon Exercise 2: Yeni uç nokta sürümleri için kod değişikliklerini sınıflandır

Geçerli egzersiz

Exercise 3: Yeni bir uç nokta sürümü ekleme Exercise 4: Bir API açıklama başlığı ekleme Exercise 5: Gelişmiş girdi doğrulama ve hata yönetimi Exercise 6: Modelleri iç içe kullanma Exercise 7: Özel model doğrulayıcı Exercise 8: Global özel durum yakalayıcı Exercise 9: İzleme ve günlükleme Exercise 10: Bir modelin yüklenme süresini günlüklemek Exercise 11: Basit bir health check uç noktası ekleme Exercise 12: Model parametrelerini izlemeyle paylaşma Exercise 13: Kapanış