Cara menggunakan model pembelajaran mesin untuk ramalan data dalam FastAPI
Pengenalan:
Dengan pembangunan pembelajaran mesin, semakin banyak senario aplikasi memerlukan penyepaduan model pembelajaran mesin ke dalam sistem sebenar. FastAPI ialah rangka kerja web Python berprestasi tinggi berdasarkan rangka kerja pengaturcaraan tak segerak Ia menyediakan kaedah pembangunan API yang mudah dan mudah digunakan dan sangat sesuai untuk membina perkhidmatan ramalan pembelajaran mesin. Artikel ini akan memperkenalkan cara menggunakan model pembelajaran mesin untuk ramalan data dalam FastAPI dan memberikan contoh kod yang berkaitan.
Bahagian Pertama: Persediaan
Sebelum bermula, kita perlu menyiapkan beberapa persiapan.
pip install fastapi pip install uvicorn pip install scikit-learn
from sklearn.linear_model import LinearRegression import numpy as np # 构建模型 model = LinearRegression() # 准备训练数据 X_train = np.array(...).reshape(-1, 1) # 输入特征 y_train = np.array(...) # 目标变量 # 训练模型 model.fit(X_train, y_train)
Bahagian 2: Membina aplikasi FastAPI
Selepas persiapan selesai, kita boleh mula membina aplikasi FastAPI.
from fastapi import FastAPI from pydantic import BaseModel # 导入模型 from sklearn.linear_model import LinearRegression
class InputData(BaseModel):
input_value: float
class OutputData(BaseModel):
output_value: floatapp = FastAPI()
POST untuk mengendalikan permintaan ramalan data dan menggunakan InputData sebagai data input permintaan. POST方法来处理数据预测请求，并将InputData作为请求的输入数据。@app.post('/predict')
async def predict(input_data: InputData):
# 调用模型进行预测
input_value = input_data.input_value
output_value = model.predict([[input_value]])
# 构造输出数据
output_data = OutputData(output_value=output_value[0])
return output_data第三部分：运行FastAPI应用
在完成FastAPI应用的构建后，我们可以运行应用，并测试数据预测的功能。
uvicorn main:app --reload
POST请求到http://localhost:8000/predict，并在请求体中传递一个input_value{
"input_value": 5.0
}Selepas menyiapkan pembinaan aplikasi FastAPI, kami boleh menjalankan aplikasi dan menguji fungsi ramalan data.
{
"output_value": 10.0
}
Mulakan permintaan ramalan data
POST ke http://localhost:8000/predict dan sertakan ia dalam badan permintaan Lulus parameter input_value. Sebagai contoh, menghantar badan permintaan berikut:
from fastapi import FastAPI
from pydantic import BaseModel
from sklearn.linear_model import LinearRegression
import numpy as np
# 创建模型和训练数据
model = LinearRegression()
X_train = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y_train = np.array([2, 4, 6, 8, 10])
model.fit(X_train, y_train)
# 定义输入输出数据模型
class InputData(BaseModel):
input_value: float
class OutputData(BaseModel):
output_value: float
# 创建FastAPI应用实例
app = FastAPI()
# 定义数据预测的路由
@app.post('/predict')
async def predict(input_data: InputData):
input_value = input_data.input_value
output_value = model.predict([[input_value]])
output_data = OutputData(output_value=output_value[0])
return output_dataAtas ialah kandungan terperinci Cara menggunakan model pembelajaran mesin untuk ramalan data dalam FastAPI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
