📢 转载信息
原文作者：Kanwal Mehreen
在本文中，您将学习如何使用FastAPI，从训练到本地测试和基本的生产环境加固，将一个训练好的机器学习模型打包到一个干净、经过良好验证的HTTP API后面。
我们将涵盖的主题包括：
- 训练、保存和加载scikit-learn管道以供推理
- 使用Pydantic构建具有严格输入验证的FastAPI应用
- 暴露、测试和使用健康检查加固预测端点
让我们来探索这些技术。
机器学习从业者的FastAPI模型部署实践指南
图片作者：Author
如果您训练了一个机器学习模型，一个常见的问题就会出现：“我们到底该如何使用它？” 这就是许多机器学习从业者感到困惑的地方。不是因为部署本身很困难，而是因为部署的解释往往很差。部署并非只是上传一个.pkl文件然后寄希望于它能工作。它简单地意味着允许另一个系统向您的模型发送数据并获取预测结果。最简单的方法是将模型置于API之后。FastAPI使这个过程变得简单。它以一种清晰的方式连接了机器学习和后端开发。它速度快，通过Swagger UI提供自动API文档，为您验证输入数据，并使代码易于阅读和维护。如果您已经使用Python，那么使用FastAPI会感觉很自然。
在本文中，您将学习如何分步使用FastAPI部署机器学习模型。特别是，您将学习：
- 如何训练、保存和加载机器学习模型
- 如何构建FastAPI应用并定义有效输入
- 如何创建和本地测试预测端点
- 如何添加基本生产特性，如健康检查和依赖项
让我们开始吧！
步骤 1: 训练和保存模型
第一步是训练您的机器学习模型。我正在训练一个模型来学习不同的房屋特征如何影响最终价格。您可以使用任何模型。创建一个名为train_model.py的文件：
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
import joblib
# Sample training data
data = pd.DataFrame({
"rooms": [2, 3, 4, 5, 3, 4],
"age": [20, 15, 10, 5, 12, 7],
"distance": [10, 8, 5, 3, 6, 4],
"price": [100, 150, 200, 280, 180, 250]
})
X = data[['rooms', 'age', 'distance']]
y = data["price"]
# Pipeline = preprocessing + model
pipeline = Pipeline([
("scaler", StandardScaler()),
("model", LinearRegression())
])
pipeline.fit(X, y)训练后，您必须保存模型。
# Save the entire pipeline
joblib.dump(pipeline, "house_price_model.joblib")现在，在终端中运行以下命令：
python train_model.py您现在有了一个经过训练的模型以及安全存储的预处理管道。
步骤 2: 创建一个FastAPI应用
这比您想象的要容易。创建一个名为main.py的文件：
from fastapi import FastAPI
from pydantic import BaseModel
import joblib
app = FastAPI(title="House Price Prediction API")
# Load model once at startup
model = joblib.load("house_price_model.joblib")您的模型现在：
- 只加载一次
- 保留在内存中
- 准备好提供预测
这已经比大多数初学者部署的情况要好得多。
步骤 3: 定义模型期望的输入
这是许多部署失败的地方。您的模型不接受“JSON”。它接受具有特定结构的数字。FastAPI使用Pydantic来清晰地强制执行这一点。
您可能想知道Pydantic是什么：Pydantic是一个数据验证库，FastAPI使用它来确保收到的API输入与模型期望的完全匹配。它会在请求到达您的模型之前自动检查数据类型、必需的字段和格式。
class HouseInput(BaseModel):
rooms: int
age: float
distance: float这为您做了两件事：
- 验证传入数据
- 自动记录您的API
这样可以确保不会再出现“为什么我的模型崩溃了？”的惊喜。
步骤 4: 创建预测端点
现在您必须通过创建预测端点来使您的模型可用。
@app.post("/predict")
def predict_price(data: HouseInput):
features = [[
data.rooms,
data.age,
data.distance
]]
prediction = model.predict(features)
return {
"predicted_price": round(prediction[0], 2)
}这就是您部署的模型。您现在可以发送一个POST请求并获取预测结果。
步骤 5: 在本地运行您的API
在终端中运行此命令：
uvicorn main:app --reload在浏览器中打开并转到：
http://127.0.0.1:8000/docs您将看到：
如果您对这意味着什么感到困惑，您实际上看到的是：
- 交互式API文档
- 一个用于测试模型的表单
- 实时验证
步骤 6: 使用真实输入进行测试
要进行测试，请单击以下箭头：
在此之后，单击Try it out。
现在使用一些数据进行测试。我正在使用以下值：
{
"rooms": 4,
"age": 8,
"distance": 5
}现在，单击Execute以获取响应。
响应是：
{
"predicted_price": 246.67
}您的模型现在正在接受真实数据，返回预测结果，并准备与应用程序、网站或其他服务集成。
步骤 7: 添加健康检查
您不需要一开始就使用Kubernetes，但请考虑：
- 错误处理（错误的输入会发生）
- 记录预测
- 模型版本控制（/v1/predict）
- 健康检查端点
例如：
@app.get("/health")
def health():
return {"status": "ok"}像这样简单的事情比花哨的基础设施更重要。
步骤 8: 添加Requirements.txt文件
这个步骤看起来很小，但它是那种以后可以悄悄为您节省数小时的事情。您的FastAPI应用可能在您的机器上完美运行，但部署环境不知道您使用了哪些库，除非您告诉它们。这正是requirements.txt的作用。它是一个简单的列表，列出了项目运行所需的依赖项。创建一个名为requirements.txt的文件并添加：
fastapi
uvicorn
scikit-learn
pandas
joblib现在，每当有人需要设置此项目时，他们只需运行以下命令：
pip install -r requirements.txt这确保了项目的顺利运行，不会缺少任何包。整体项目结构如下所示：
project/
│ ├── train_model.py
├── main.py
├── house_price_model.joblib
├── requirements.txt
结论
在有人可以使用之前，您的模型就没有价值。FastAPI不会将您变成后端工程师——它只是消除了模型与现实世界之间的摩擦。一旦您部署了第一个模型，您就会停止像“模型训练者”那样思考，开始像一个交付解决方案的从业者那样思考。请不要忘记查阅FastAPI文档。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区