详细内容或原文请订阅后点击阅览
在10分钟内通过REST API提供机器学习模型
停止将模型留在笔记本电脑上。通过这种快速而强大的设置将它们服务于世界。
来源:KDnuggets如果您喜欢构建机器学习模型并尝试使用新内容，那真的很酷 - 但老实说，只有一旦您将其提供给他们，它才会对其他人有用。为此，您需要服务 - 通过Web API将其曝光，以便其他程序（或人类）可以发送数据并获得预测。那就是REST API的来源。
在本文中，您将了解我们将如何从简单的机器学习模型到使用FastApi的API，这是Python最快，最快，最适合开发人员的网络框架之一，不到10分钟。而且，我们不仅会停止进行“ Make It Run”演示，而且还会添加以下内容：
- 验证传入的数据对每个请求的背景任务，以避免慢速处理错误
所以，让我快速向您展示我们的项目结构在转到代码部分之前的样子：
ml-api/ │ ├ - 型/ ││└prain_model.py＃脚本训练并保存模型 │││站iris_model.pkl＃训练有素的模型文件 │ ├ - 应用/ ││└└-main.py＃fastapi应用程序 shema.py＃＃使用Pydantic输入数据架构架构 │ ├─—需求.txt＃所有依赖关系 └└─md.md＃可选文档
步骤1：安装您需要的内容
我们将需要一些Python包装来进行此项目：API的FastAPI，Scikit-Learn用于模型，以及Joblib和Pydantic等一些帮助者。您可以使用PIP安装它们：
pip安装fastapi uvicorn scikit-learn joblib pydantic
并保存您的环境：
pip冻结>要求.txt
步骤2：训练并保存一个简单的模型
让我们简单地保持机器学习部分，以便我们专注于为模型提供服务。我们将使用著名的虹膜数据集并训练随机的森林分类器，以根据其花瓣和萼片测量来预测虹膜花的类型。
虹膜数据集 随机森林分类器 模型/ div>