开始使用免费开始使用

为机器学习预测验证请求与响应

延续您在咖啡公司担任数据科学家的工作，您现在需要创建一个 FastAPI 端点，使用 CoffeeQualityInput 数据验证模型来验证输入请求，并使用 QualityPrediction 来验证响应。

该端点将接收咖啡数据，并返回质量预测及其置信度分数。

本练习中，模型已加载到名为 predict_quality 的函数中。

本练习是课程的一部分

使用 FastAPI 在生产环境中部署 AI

查看课程

练习说明

  • 定义 CoffeeQualityInput，其字段为 aroma（float）、flavor（float）和 altitude（int）。
  • 在 POST 请求装饰器中指定 response_model，用于验证响应。
  • 指定用于验证包含 coffee_data 的输入请求的数据模型。

交互式实操练习

通过完成这段示例代码来试试这个练习。

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
编辑并运行代码