使用FastAPI构建机器学习API
FastAPI是用于在Python中构建API的高性能异步框架。 它提供了对Swagger UI开箱即用的支持。
该博客的源代码可用https://github.com/aniketmaurya/tensorflow-web-app-starter-pack
让我们从一个简单的hello-world示例开始
首先，我们导入FastAPIclass并创建一个object app。此类具有有用的参数，例如我们可以传递Swagger UI的标题和描述。
from fastapi import FastAPI
app = FastAPI(title='Hello world', description='This is a hello world example', version='0.0.1')我们定义一个函数并用修饰它@app.get。这意味着我们的API /index支持GET方法。此处定义的函数是async，FastAPI通过为常规def函数创建线程池来自动处理async，而无需使用async方法，并且async事件循环用于async函数。
@app.get('/index')
async def hello_world():
return "hello world"金字塔支持
FastAPI提供的我最喜欢的功能之一是Pydantic支持。我们可以定义Pydantic模型，并且FastAPI将为这些模型处理请求-响应。 让我们创建一个COVID-19症状检查器API来理解这一点。
Covid-19（新冠肺炎）症状检查器API
我们创建一个请求主体，它是客户端发送请求的格式。它将由Swagger UI使用。
from pydantic import BaseModel
class Symptom(BaseModel):
fever: bool = False
dry_cough: bool = False
tiredness: bool = False
breathing_problem: bool = False让我们创建一个函数，根据输入分配风险级别。
这仅用于学习，不应在现实生活中使用，最好请教医生。
def get_risk_level(symptom: Symptom):
if not (symptom.fever or symptom.dry_cough or symptom.tiredness or symptom.breathing_problem):
return 'Low risk level. THIS IS A DEMO APP'
if not (symptom.breathing_problem or symptom.dry_cough):
if symptom.fever:
return 'moderate risk level. THIS IS A DEMO APP'
if symptom.breathing_problem:
return 'High-risk level. THIS IS A DEMO APP'
return 'THIS IS A DEMO APP'让我们创建用于检查症状的API
@app.post('/api/covid-symptom-check')
def check_risk(symptom: Symptom):
return get_risk_level(symptom)图像识别API
我们将创建一个API来对图像进行分类，我们将其命名为predict/image。
我们将使用Tensorflow创建图像分类模型。
使用Tensorflow进行图像分类的教程
我们创建一个函数load_model，该函数将返回具有预先训练的权重的MobileNet CNN模型，即，它已经过训练，可以对1000种独特的图像类别进行分类。
import tensorflow as tf
def load_model():
model = tf.keras.applications.MobileNetV2(weights="imagenet")
print("Model loaded")
return model
model = load_model()我们定义了一个predict函数，该函数将接受图像并返回预测。
我们将图像调整为224x224并将像素值标准化为[-1，1]。
from tensorflow.keras.applications.imagenet_utils import decode_predictionsdecode_predictions用于解码预测对象的类名称。
在这里，我们将返回前2个可能的类。
def predict(image: Image.Image):
image = np.asarray(image.resize((224, 224)))[..., :3]
image = np.expand_dims(image, 0)
image = image / 127.5 - 1.0
result = decode_predictions(model.predict(image), 2)[0]
response = []
for i, res in enumerate(result):
resp = {}
resp["class"] = res[1]
resp["confidence"] = f"{res[2]*100:0.2f} %"
response.append(resp)
return response现在，我们将创建一个/predict/image支持文件上传的API 。我们将过滤文件扩展名以仅支持jpg，jpeg和png格式的图像。
我们将使用枕头Pillow加载图像。
def read_imagefile(file) -> Image.Image:
image = Image.open(BytesIO(file))
return image@app.post("/predict/image")
async def predict_api(file: UploadFile = File(...)):
extension = file.filename.split(".")[-1] in ("jpg", "jpeg", "png")
if not extension:
return "Image must be jpg or png format!"
image = read_imagefile(await file.read())
prediction = predict(image)
return prediction最终代码
import uvicorn
from fastapi import FastAPI, File, UploadFile
from application.components import predict, read_imagefile
app = FastAPI()
@app.post("/predict/image")
async def predict_api(file: UploadFile = File(...)):
extension = file.filename.split(".")[-1] in ("jpg", "jpeg", "png")
if not extension:
return "Image must be jpg or png format!"
image = read_imagefile(await file.read())
prediction = predict(image)
return prediction
@app.post("/api/covid-symptom-check")
def check_risk(symptom: Symptom):
return symptom_check.get_risk_level(symptom)
if __name__ == "__main__":
uvicorn.run(app, debug=True)
FastAPI文档是了解更多有关框架核心概念的最佳场所。（https://fastapi.tiangolo.com/）