趋近智
使用FastAPI部署机器学习模型
章节 1: FastAPI 和 API 基础知识简介
什么是FastAPI？
机器学习部署的优势
理解 API 和 HTTP 方法
Python中的异步编程思路
设置开发环境
你的第一个FastAPI应用
FastAPI 请求/响应周期的构成
实践：构建简单端点
章节 2: Pydantic 数据处理与校验
Pydantic 简介
定义数据模型
请求体数据校验
响应模型定义
处理路径参数和查询参数
数据转换与约束
构建复杂数据模型
动手实践：验证机器学习输入数据
章节 3: 整合机器学习模型
机器学习模型的序列化与反序列化
将模型载入FastAPI应用
创建预测端点
处理不同输入格式
返回预测结果和概率
模型工件管理
模型加载的依赖注入
实践：构建模型预测服务
章节 4: 组织和测试 FastAPI 应用
使用路由组织项目
关注点分离
管理依赖项
API 测试简介
使用 TestClient 进行单元测试
预测端点测试
FastAPI 应用中的日志记录
管理配置和敏感信息
动手实践：重构与测试预测服务
章节 5: 异步操作与性能
理解 FastAPI 路由中的 async 和 await
机器学习推理何时适用异步
运行阻塞型机器学习操作
使用后台任务
ML I/O 异步请求的优势
API 端点性能考量
实践：实现异步操作
章节 6: 容器化和部署准备
Docker 应用打包介绍
编写 FastAPI 应用的 Dockerfile
在 Docker 镜像中打包机器学习模型
构建和运行 Docker 容器
在 Docker 中管理 Python 依赖
使用环境变量配置应用程序
生产部署准备 (Gunicorn/Uvicorn)
动手实践：机器学习API的容器化
使用FastAPI部署机器学习模型
先决条件: Python编程基础与机器学习知识
级别:
中级
您将学到什么
API开发
使用FastAPI开发专门用于服务机器学习模型的RESTful API。
数据验证
使用Pydantic模型实现针对API请求和响应的数据验证。
模型集成
将序列化的机器学习模型（如scikit-learn、TensorFlow、PyTorch）集成到FastAPI应用中。
异步编程
在FastAPI中运用异步操作，处理I/O密集型任务并提升性能。
应用结构
使用路由器和模块，有效组织FastAPI项目，以实现可扩展性和可维护性。
测试
使用TestClient等工具，编写针对您的FastAPI机器学习应用的单元测试和集成测试。
容器化
使用Docker打包FastAPI应用及其依赖项，以获得一致的部署环境。