Prédiction FastAPI avec un modèle préentraîné

Déployer l'IA en production avec FastAPI

Matt Eckerle

Software and Data Engineering Leader

Configuration de l'environnement

Bibliothèques requises :

FastAPI : cadre pour créer des API avec Python
uvicorn : serveur ASGI rapide pour exécuter des applis Web Python
joblib : pour charger le modèle

from fastapi import FastAPI
import uvicorn
import joblib
# Create the FastAPI app instance
app = FastAPI()

Chargement du classificateur de manchots préentraîné

Entraîné sur l'ensemble de données Palmer Penguins
Prédit l'espèce à partir de 4 attributs : longueur du bec, profondeur du bec, longueur des nageoires et masse corporelle
Sorties : Adelie, Chinstrap ou Gentoo

import joblib

Load the pre-trained model

model = joblib.load('penguin_classifier.pkl')

Check data type of model to verify model loading

print(type(model))


----CODE_GLUE----
```out

<class 'sklearn.pipeline.Pipeline'>

¹ https://huggingface.co/SIH/penguin-classifier-sklearn

Uvicorn

Serveur ASGI (Asynchronous Server Gateway Interface)
Conçu par et pour Python

uvicorn main:app \
        --host 0.0.0.0 \
        --port 8080

import uvicorn
uvicorn.run(app, 
            host="0.0.0.0", 
            port=8080)

Logo Uvicorn

Créer le point de terminaison de prédiction

# FastAPI prediction endpoint
@app.post("/predict")
def predict(culmen_length_mm, culmen_depth_mm, 
            flipper_length_mm, body_mass_g):

    features = [[culmen_length_mm, culmen_depth_mm,
                 flipper_length_mm, body_mass_g]]

    prediction = model.predict(features)[0]
    return {"predicted_species": prediction}

Exécuter l'application

if __name__ == "__main__":
    uvicorn.run(
      app, 
      host="0.0.0.0", 
      port=8080)

Enregistrez tout le code dans un fichier Python : your_api_script.py

$ python3 your_api_script.py

Journaux de démarrage Uvicorn

Tester l'API

curl \

  -X POST "http://localhost:8080/predict" \

  -H "Content-Type: application/json" \

  -d '{"culmen_length_mm": 39.1,
       "culmen_depth_mm": 18.7,
       "flipper_length_mm": 181,
       "body_mass_g": 3750}'

{
    "prediction": "Adelie",
    "confidence": 0.87
}

Passons à la pratique !

Déployer l'IA en production avec FastAPI