使用 FastAPI 构建机器学习驱动的 Web 应用程序

原文：www.kdnuggets.com/using-fastapi-for-building-ml-powered-web-apps

图片由作者提供 | Canva

在本教程中，我们将学习一些关于 FastAPI 的知识，并用它来构建机器学习（ML）模型推理的 API。然后，我们将使用 Jinja2 模板创建一个合适的 web 界面。这是一个简短但有趣的项目，你可以在有限的 API 和 web 开发知识的基础上自行构建。

我们的前三大课程推荐

1. Google 网络安全证书 - 快速进入网络安全职业的快车道。

2. Google 数据分析专业证书 - 提升你的数据分析能力

3. Google IT 支持专业证书 - 在 IT 领域支持你的组织

什么是 FastAPI？

FastAPI 是一个流行且现代的 web 框架，用于用 Python 构建 API。它旨在快速高效地利用 Python 的标准类型提示来提供最佳的开发体验。它易于学习，只需少量代码即可开发高性能的 API。FastAPI 被 Uber、Netflix 和微软等公司广泛使用来构建 API 和应用程序。其设计使其特别适合创建机器学习模型推理和测试的 API 端点。我们甚至可以通过集成 Jinja2 模板来构建一个合适的 web 应用程序。

模型训练

我们将对最受欢迎的 Iris 数据集进行随机森林分类器的训练。训练完成后，我们将显示模型评估指标并将模型保存为 pickle 格式。

train_model.py:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report
import joblib

# Load the iris dataset
iris = load_iris()
X, y = iris.data, iris.target

# Split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# Train a RandomForest classifier
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)

# Evaluate the model
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
report = classification_report(y_test, y_pred, target_names=iris.target_names)

print(f"Model Accuracy: {accuracy}")
print("Classification Report:")
print(report)

# Save the trained model to a file
joblib.dump(clf, "iris_model.pkl")

$ python train_model.py

Model Accuracy: 1.0
Classification Report:
              precision    recall  f1-score   support

      setosa       1.00      1.00      1.00        10
  versicolor       1.00      1.00      1.00         9
   virginica       1.00      1.00      1.00        11

    accuracy                           1.00        30
   macro avg       1.00      1.00      1.00        30
weighted avg       1.00      1.00      1.00        30

使用 FastAPI 构建机器学习 API

接下来，我们将安装 FastAPI 和 Unicorn 库，我们将使用它们来构建模型推理 API。

$ pip install fastapi uvicorn

在 app.py 文件中，我们将：

从上一步加载保存的模型。
创建用于输入和预测的 Python 类。确保指定数据类型。
然后，我们将创建预测函数并使用 @app.post 装饰器。这个装饰器在 URL 路径 /predict 定义了一个 POST 端点。当客户端向此端点发送 POST 请求时，该函数将被执行。
预测函数从 IrisInput 类中获取值，并将其作为 IrisPrediction 类返回。
使用 uvicorn.run 函数运行应用程序，并提供主机 IP 和端口号，如下所示。

app.py:

from fastapi import FastAPI
from pydantic import BaseModel
import joblib
import numpy as np
from sklearn.datasets import load_iris

# Load the trained model
model = joblib.load("iris_model.pkl")

app = FastAPI()

class IrisInput(BaseModel):
    sepal_length: float
    sepal_width: float
    petal_length: float
    petal_width: float

class IrisPrediction(BaseModel):
    predicted_class: int
    predicted_class_name: str

@app.post("/predict", response_model=IrisPrediction)
def predict(data: IrisInput):
    # Convert the input data to a numpy array
    input_data = np.array(
        [[data.sepal_length, data.sepal_width, data.petal_length, data.petal_width]]
    )

    # Make a prediction
    predicted_class = model.predict(input_data)[0]
    predicted_class_name = load_iris().target_names[predicted_class]

    return IrisPrediction(
        predicted_class=predicted_class, predicted_class_name=predicted_class_name
    )

if __name__ == "__main__":
    import uvicorn

    uvicorn.run(app, host="127.0.0.1", port=8000)

运行 Python 文件。

$ python app.py

FastAPI 服务器正在运行，我们可以通过点击链接访问它。

INFO:     Started server process [33828]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)

它将带我们到包含首页的浏览器。首页上没有任何内容，只有 /predict POST 请求。因此没有显示任何内容。

我们可以通过 SwaggerUI 界面测试我们的 API。我们可以通过在链接后添加 “/docs” 来访问它。

我们可以点击“/predict”选项，编辑值并运行预测。最后，我们将在响应体部分获得响应。如我们所见，结果是“Virginica”。我们可以通过 SwaggerUI 直接测试模型，并确保它在部署到生产环境之前正常工作。

为 Web 应用构建用户界面

我们将创建自己的用户界面，简单易用，像其他 Web 应用一样显示结果，而不是使用 Swagger UI。为此，我们需要在应用中集成 Jinja2Templates。Jinja2Templates 允许我们使用 HTML 文件构建一个合适的 Web 界面，使我们能够自定义网页的各种组件。

通过提供 HTML 文件所在的目录来初始化 Jinja2Templates。
定义一个异步路由，作为对根 URL ("/") 的 HTML 响应服务 "index.html" 模板。
修改 predict 函数的输入参数，使用 Request 和 Form。
定义了一个异步 POST 端点 "/predict"，接受用于鸢尾花测量的表单数据，使用机器学习模型预测鸢尾花种类，并返回使用 TemplateResponse 渲染的 "result.html" 预测结果。
其余的代码类似。

from fastapi import FastAPI, Request, Form
from fastapi.responses import HTMLResponse
from fastapi.templating import Jinja2Templates
from pydantic import BaseModel
import joblib
import numpy as np
from sklearn.datasets import load_iris

# Load the trained model
model = joblib.load("iris_model.pkl")

# Initialize FastAPI
app = FastAPI()

# Set up templates
templates = Jinja2Templates(directory="templates")

# Pydantic models for input and output data
class IrisInput(BaseModel):
    sepal_length: float
    sepal_width: float
    petal_length: float
    petal_width: float

class IrisPrediction(BaseModel):
    predicted_class: int
    predicted_class_name: str

@app.get("/", response_class=HTMLResponse)
async def read_root(request: Request):
    return templates.TemplateResponse("index.html", {"request": request})

@app.post("/predict", response_model=IrisPrediction)
async def predict(
    request: Request,
    sepal_length: float = Form(...),
    sepal_width: float = Form(...),
    petal_length: float = Form(...),
    petal_width: float = Form(...),
):
    # Convert the input data to a numpy array
    input_data = np.array([[sepal_length, sepal_width, petal_length, petal_width]])

    # Make a prediction
    predicted_class = model.predict(input_data)[0]
    predicted_class_name = load_iris().target_names[predicted_class]

    return templates.TemplateResponse(
        "result.html",
        {
            "request": request,
            "predicted_class": predicted_class,
            "predicted_class_name": predicted_class_name,
            "sepal_length": sepal_length,
            "sepal_width": sepal_width,
            "petal_length": petal_length,
            "petal_width": petal_width,
        },
    )

if __name__ == "__main__":
    import uvicorn

    uvicorn.run(app, host="127.0.0.1", port=8000)

接下来，我们将在与 app.py 相同的目录下创建一个名为 templates 的目录。在 templates 目录下创建两个 HTML 文件：index.html 和 result.html。

如果你是 Web 开发人员，你将很容易理解 HTML 代码。对于初学者，我会解释发生了什么。这段 HTML 代码创建了一个用于预测鸢尾花种类的网页，允许用户输入 "Sepal" 和 "Petal" 的测量值，并通过 POST 请求将其提交到 "/predict" 端点。

index.html:

<!DOCTYPE html>

<html>

<head>

<title>Iris Flower Prediction</title>

</head>

<body>

<h1>Predict Iris Flower Species</h1>

<form action="/predict" method="post">

<label **for**="sepal_length">Sepal Length:</label>

<input type="number" step="any" id="sepal_length" name="sepal_length" required><br>

<label **for**="sepal_width">Sepal Width:</label>

<input type="number" step="any" id="sepal_width" name="sepal_width" required><br>

<label **for**="petal_length">Petal Length:</label>

<input type="number" step="any" id="petal_length" name="petal_length" required><br>

<label **for**="petal_width">Petal Width:</label>

<input type="number" step="any" id="petal_width" name="petal_width" required><br>

<button type="submit">Predict</button>

</form>

</body>

</html>

result.html 代码定义了一个显示预测结果的网页，展示输入的花萼和花瓣测量值以及预测的鸢尾花种类。它还显示了预测的类别名称和类别 ID，并有一个按钮可以带你回到首页。

result.html:

<!DOCTYPE html>

<html>

<head>

<title>Prediction Result</title>

</head>

<body>

<h1>Prediction Result</h1>

<p>Sepal Length: {{ sepal_length }}</p>

<p>Sepal Width: {{ sepal_width }}</p>

<p>Petal Length: {{ petal_length }}</p>

<p>Petal Width: {{ petal_width }}</p>

<h2>Predicted Class: {{ predicted_class_name }} (Class ID: {{ predicted_class }})</h2>

<a href="/">Predict Again</a>

</body>

</html>

再次运行 Python 应用文件。

$ python app.py

INFO:     Started server process [2932]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
INFO:     127.0.0.1:63153 - "GET / HTTP/1.1" 200 OK

当你点击链接时，你不会看到空白屏幕；相反，你将看到用户界面，你可以在其中输入 "Sepal" 和 "Petal" 的长度和宽度。

点击“预测”按钮后，你将被带到下一页，在那里结果将会显示。你可以点击“再次预测”按钮来用不同的值测试你的模型。

所有源代码、数据、模型和信息都可以在 kingabzpro/FastAPI-for-ML GitHub 仓库中找到。请不要忘记给它加星 ⭐。

结论

许多大公司现在使用 FastAPI 为他们的模型创建端点，使他们能够在系统中无缝地部署和集成这些模型。FastAPI 快速、易于编写代码，并且提供了各种功能以满足现代数据堆栈的需求。在这个领域获得工作的关键是尽可能多地构建和记录项目。这将帮助你获得进行初步筛选所需的经验和知识。招聘人员将评估你的个人资料和作品集，以确定你是否适合他们的团队。那么，为什么不从今天开始使用 FastAPI 构建项目呢？

Abid Ali Awan (@1abidaliawan) 是一名认证的数据科学专业人士，热衷于构建机器学习模型。目前，他专注于内容创作和撰写关于机器学习和数据科学技术的技术博客。Abid 拥有技术管理硕士学位和电信工程学士学位。他的愿景是使用图神经网络构建一个 AI 产品，帮助那些在心理健康方面遇到困难的学生。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

using-fastapi-for-building-ml-powered-web-apps.md

using-fastapi-for-building-ml-powered-web-apps.md

使用 FastAPI 构建机器学习驱动的 Web 应用程序

我们的前三大课程推荐

什么是 FastAPI？

模型训练

使用 FastAPI 构建机器学习 API

为 Web 应用构建用户界面

结论

更多相关内容

Files

using-fastapi-for-building-ml-powered-web-apps.md

Latest commit

History

using-fastapi-for-building-ml-powered-web-apps.md

File metadata and controls

使用 FastAPI 构建机器学习驱动的 Web 应用程序

我们的前三大课程推荐

什么是 FastAPI？

模型训练

使用 FastAPI 构建机器学习 API

为 Web 应用构建用户界面

结论

更多相关内容