原文：
www.kdnuggets.com/fastapi-tutorial-build-apis-with-python-in-minutes
图片来源：作者
FastAPI 是一个流行的用于构建 Python API 的 Web 框架。它非常简单易学，并受到开发者的喜爱。
1. 谷歌网络安全证书 - 快速开启网络安全职业生涯
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT 工作
FastAPI 利用了 Python 的类型提示，并基于 Pydantic。这使得定义数据模型和请求/响应模式变得简单。框架会自动根据这些模式验证请求数据，从而减少潜在错误。它还原生支持异步端点，使得构建能够高效处理 I/O 绑定操作的高性能 API 更为简便。
本教程将教你如何使用 FastAPI 构建你的第一个 API。从设置开发环境到为一个简单的机器学习应用构建 API，本教程将带你完成所有步骤：定义数据模型、API 端点、处理请求等。通过本教程，你将对如何使用 FastAPI 快速高效地构建 API 有一个良好的理解。那么，让我们开始吧。
FastAPI 需要 Python 3.7 或更高版本。所以请确保你安装了最新版本的 Python。在项目目录中，创建并激活一个专门的虚拟环境：
$ python3 -m venv v1
$ source v1/bin/activate 上述激活虚拟环境的命令适用于 Linux 或 MacOS。如果你是 Windows 用户，查看文档来创建和激活虚拟环境。
接下来，安装所需的包。你可以使用 pip 安装 FastAPI 和 uvicorn：
$ pip3 install fastapi uvicorn 这将安装 FastAPI 及所有必需的依赖项以及 uvicorn，这是一种我们将用来运行和测试构建的 API 的服务器。由于我们将使用 scikit-learn 构建一个简单的机器学习模型，也请在你的项目环境中安装它：
$ pip3 install scikit-learn安装完成后，我们可以开始编码了！你可以在GitHub上找到代码。
在项目目录中创建一个 main.py 文件。第一步是像下面这样创建一个 FastAPI 应用实例：
# Create a FastAPI app
# Root endpoint returns the app description
from fastapi import FastAPI
app = FastAPI() Iris 数据集是你在开始数据科学时使用的玩具数据集之一。它包含 150 条数据记录，4 个特征和一个目标标签（鸢尾花的种类）。为了简单起见，让我们创建一个 API 来预测鸢尾花的种类。
在接下来的步骤中，我们将构建一个逻辑回归模型并创建一个用于预测的 API 端点。完成模型构建和/predict/ API 端点定义后，你应该能够向 API 发送包含输入特征的 POST 请求，并接收到预测的种类作为响应。
Iris 预测 API | 作者提供的图片
为了更有帮助，我们还定义一个根端点，它返回我们正在构建的应用的描述。为此，我们定义get_app_description函数，并使用@app装饰器创建根端点，如下所示：
# Define a function to return a description of the app
def get_app_description():
return (
"Welcome to the Iris Species Prediction API!"
"This API allows you to predict the species of an iris flower based on its sepal and petal measurements."
"Use the '/predict/' endpoint with a POST request to make predictions."
"Example usage: POST to '/predict/' with JSON data containing sepal_length, sepal_width, petal_length, and petal_width."
)
# Define the root endpoint to return the app description
@app.get("/")
async def root():
return {"message": get_app_description()} 向根端点发送 GET 请求会返回描述信息。
到目前为止，我们已经实例化了一个 FastAPI 应用，并定义了根端点。现在是时候进行以下操作：
-
构建一个机器学习模型。我们将使用逻辑回归分类器。如果你想了解更多关于逻辑回归的知识，请阅读《构建预测模型：Python 中的逻辑回归》。
-
定义一个预测函数，该函数接收输入特征，并使用机器学习模型来预测种类（setosa、versicolor 或 virginica）。
逻辑回归分类器 | 作者提供的图片
我们从 scikit-learn 中构建了一个简单的逻辑回归分类器，并定义了如图所示的predict_species函数：
# Build a logistic regression classifier
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
# Load the Iris dataset
iris = load_iris()
X, y = iris.data, iris.target
# Train a logistic regression model
model = LogisticRegression()
model.fit(X, y)
# Define a function to predict the species
def predict_species(sepal_length, sepal_width, petal_length, petal_width):
features = [[sepal_length, sepal_width, petal_length, petal_width]]
prediction = model.predict(features)
return iris.target_names[prediction[0]] 接下来，我们应该对 POST 请求中发送的数据进行建模。这里的输入特征是花萼和花瓣的长度及宽度——都是浮点值。为了建模，我们创建了一个继承自 Pydantic BaseModel类的IrisData类，如下所示：
# Define the Pydantic model for your input data
from pydantic import BaseModel
class IrisData(BaseModel):
sepal_length: float
sepal_width: float
petal_length: float
petal_width: float 如果你需要一个关于使用 Pydantic 进行数据建模和验证的快速教程，请阅读《Pydantic 教程：Python 中的数据验证变得超级简单》。
现在我们已经构建了分类器，并定义好了predict_species函数，我们可以为预测创建 API 端点。如前所述，我们可以使用@app装饰器来定义接受 POST 请求并返回预测种类的/predict/端点：
# Create API endpoint
@app.post("/predict/")
async def predict_species_api(iris_data: IrisData):
species = predict_species(iris_data.sepal_length, iris_data.sepal_width, iris_data.petal_length, iris_data.petal_width)
return {"species": species} 现在是运行应用的时候了！
你可以使用以下命令运行应用：
$ uvicorn main:app --reload这里main是模块的名称，app是 FastAPI 实例。--reload标志确保如果源代码有任何更改，应用会重新加载。
运行命令后，你应该会看到类似的 INFO 消息：
INFO: Will watch for changes in these directories: ['/home/balapriya/fastapi-tutorial']
INFO: Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
INFO: Started reloader process [11243] using WatchFiles
INFO: Started server process [11245]
INFO: Waiting for application startup.
INFO: Application startup complete.
…
… 如果你访问“http://127.0.0.1:8000”（本地主机），你应该能看到应用程序描述：
应用程序运行在本地主机
现在，你可以向 /predict/ 端点发送 POST 请求，提供有效的萼片和花瓣测量值，并获取预测的物种。你可以使用类似 cURL 的命令行工具。以下是一个示例：
curl -X 'POST' \
'http://localhost:8000/predict/' \
-H 'Content-Type: application/json' \
-d '{
"sepal_length": 5.1,
"sepal_width": 3.5,
"petal_length": 1.4,
"petal_width": 0.2
}' 对于此示例请求，预期的输出是：
{"species":"setosa"}在本教程中，我们详细讲解了如何使用 FastAPI 构建一个简单分类模型的 API。我们涵盖了请求中使用的输入数据建模、定义 API 端点、运行应用程序以及查询 API 的步骤。
作为练习，拿一个现有的机器学习模型，并使用 FastAPI 在其上构建一个 API。祝编程愉快！
Bala Priya C**** 是来自印度的开发者和技术作家。她喜欢在数学、编程、数据科学和内容创作的交叉点工作。她的兴趣和专长领域包括 DevOps、数据科学和自然语言处理。她喜欢阅读、写作、编程和咖啡！目前，她正致力于通过编写教程、操作指南、评论文章等来学习并与开发者社区分享知识。Bala 还创建了引人入胜的资源概述和编码教程。
