Прогноз у FastAPI з попередньо натренованою моделлю

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Ця вправа є частиною курсу

Розгортання AI у продакшні з FastAPI

SkillTag.level.advancedSkillTag.label

4.8+

Почніть курс безкоштовно

Почніть надавати передбачення вашої ML-моделі через ендпоїнти FastAPI. Ви навчитеся завантажувати попередньо натреновані ML-моделі та створювати ендпоїнти API, щоб віддавати передбачення як серіалізовані відповіді на HTTP-запити. Ви використаєте моделі даних Pydantic для валідації запитів і відповідей.

Exercise 1: Запити GET і POST для ШІ Exercise 2: GET-ендпойнт для інформації про модель Exercise 3: Endpoint POST для реєстрації моделі Exercise 4: Прогноз у FastAPI з попередньо натренованою моделлю

Поточна вправа

Exercise 5: Завантажте попередньо натреновану модель Exercise 6: Створіть кінцеву точку для прогнозування Exercise 7: Запуск застосунку FastAPI Exercise 8: Моделі запитів і відповідей Exercise 9: Створіть модель Pydantic для вхідних даних ML Exercise 10: Валідація запиту та відповіді для ML-прогнозу

Дізнайтеся, як надавати моделі машинного навчання через ендпоїнти FastAPI. У цьому розділі ви створите ендпоїнти, що повертають передбачення, навчитеся обробляти різні типи вхідних даних і впроваджувати надійну валідацію вводу. Ви збудуєте продакшн-готові API, які вміють перевіряти різні типи даних, а ML-моделі завантажуватимуться під час запуску сервера без простоїв.

Exercise 1: Обробка різних типів вхідних даних у FastAPI Exercise 2: Обробка текстових даних запиту Exercise 3: Обробка числових даних запиту Exercise 4: Перевірка вхідних даних у FastAPI Exercise 5: Валідація полів Exercise 6: Додавання власних валідаторів Exercise 7: Тестування власних валідаторів Exercise 8: Завантаження попередньо натренованої моделі Exercise 9: Завантаження AI‑моделі під час запуску сервера Exercise 10: Health-check API для завантаження моделі Exercise 11: Повернення структурованої відповіді з прогнозом Exercise 12: Повернення структурованого результату з API Exercise 13: Тестування кінцевої точки зі структурованою відповіддю

У цьому розділі ви захищатимете API за допомогою автентифікації на основі ключів, керуватимете частотою запитів за допомогою кастомного rate limiting і підвищуватимете продуктивність завдяки асинхронній обробці. Ви навчитеся захищати ендпоїнти, запобігати зловживанням і ефективно обробляти тривалі завдання, готуючи свій API до продакшну.

Exercise 1: Автентифікація за API-ключем Exercise 2: Захист API за допомогою ключової автентифікації Exercise 3: Захистіть кінцеву точку API Exercise 4: Обмеження швидкості запитів Exercise 5: Реалізація обмеження швидкості (rate limiter)Exercise 6: Додайте лімітування запитів до endpoint Exercise 7: Асинхронна обробка Exercise 8: Створіть асинхронний ендпоінт для аналізу тональності Exercise 9: Реалізація фонових завдань Exercise 10: Оброблення помилок тайм-ауту

Цей розділ охоплює просунуті теми, які допоможуть вам довгостроково підтримувати застосунки FastAPI у продакшні. Ви розглянете версіонування та документування ендпоїнтів API, розширену валідацію вводу для підтримки складніших вхідних і вихідних даних, а також моніторинг і логування, щоб контролювати роботу застосунків і оперативно усувати проблеми.

Exercise 1: Версіювання та документація API Exercise 2: Класифікуйте зміни в коді для нових версій endpointʼів Exercise 3: Додавання нової версії кінцевої точки Exercise 4: Додавання заголовка з описом API Exercise 5: Просунута валідація вхідних даних і обробка помилок Exercise 6: Вкладені моделі Exercise 7: Власний валідатор моделі Exercise 8: Глобальний обробник винятків Exercise 9: Моніторинг і логування Exercise 10: Логування часу завантаження моделі Exercise 11: Додавання простого endpointʼа для health check Exercise 12: Надання параметрів моделі для моніторингу Exercise 13: Підсумки