构建复杂数据模型

Pydantic 模型能够有效地管理各种数据结构，包括简单扁平的结构。然而，机器学习的输入和输出通常具有更复杂、嵌套的结构。例如，您可能需要随输入特征一起发送配置参数，或者返回预测结果以及置信度分数和元数据。Pydantic 允许您通过在其他模型中嵌套模型来定义这些复杂结构。

这种做法与 JSON 自然表示分层数据的方式完美契合，使得明确定义您的 API 期望接收和返回的数据变得简单。

定义嵌套模型

在 Pydantic 中创建嵌套模型非常直观。您只需将另一个 Pydantic 模型用作主模型中某个字段的类型标注。

让我们考虑一个例子，我们的机器学习模型不仅需要主要的输入数据，还需要一些配置设置。我们可以为配置和整体请求结构定义独立的模型。

from pydantic import BaseModel, Field
from typing import List, Optional

# 定义配置设置的模型
class ModelConfig(BaseModel):
    model_version: str = "latest"
    confidence_threshold: float = Field(default=0.7, ge=0.0, le=1.0)
    return_probabilities: bool = False

# 定义主要输入数据模型
class InputFeatures(BaseModel):
    sepal_length: float
    sepal_width: float
    petal_length: float
    petal_width: float

# 定义整体请求模型，嵌套 ModelConfig 和 InputFeatures
class PredictionRequest(BaseModel):
    request_id: str
    features: InputFeatures           # 嵌套 InputFeatures 模型
    config: Optional[ModelConfig] = None # 嵌套 ModelConfig，使其成为可选

在此 PredictionRequest 模型中：

• features 字段被明确类型化为 InputFeatures。Pydantic 期望此字段的数据符合 InputFeatures 模式。
• config 字段类型为 Optional[ModelConfig]。这意味着它期望数据符合 ModelConfig 模式，但如果请求中未提供此字段（它将默认为 None），也是可以接受的。如果 确实 提供了，它必须是一个有效的 ModelConfig 结构。

在 FastAPI 中使用嵌套模型

FastAPI 集成了这些嵌套的 Pydantic 模型。当您在路径操作函数中将 PredictionRequest 用作请求体参数的类型提示时，FastAPI 在 Pydantic 的支持下，将自动执行以下操作：

1. 解析： 读取传入的 JSON 请求体。
2. 验证： 检查 JSON 结构是否与 PredictionRequest 匹配，包括（如果提供的）嵌套的 InputFeatures 和 ModelConfig 结构。它会验证数据类型（例如，宽度的 float 类型，request_id 的 str 类型）和约束条件（例如，confidence_threshold 在 0.0 到 1.0 之间）。
3. 实例化： 创建一个 PredictionRequest 类的实例，并使用已验证的数据进行填充。

以下是您在端点中使用 PredictionRequest 的方法：

from fastapi import FastAPI

# 假设 PredictionRequest、InputFeatures、ModelConfig 已如上定义

app = FastAPI()

@app.post("/predict")
async def create_prediction(request: PredictionRequest):
    # 轻松访问嵌套数据
    features_data = request.features
    config_data = request.config if request.config else ModelConfig() # 如果未提供，则使用默认值

    print(f"Received request: {request.request_id}")
    print(f"Features: {features_data.dict()}")
    print(f"Config: Version={config_data.model_version}, Threshold={config_data.confidence_threshold}")

    # （模型推理逻辑在此处）
    # ...

    prediction = {"class": "setosa", "probability": 0.95} # 示例输出

    return {"request_id": request.request_id, "prediction": prediction}

如果客户端发送了结构无效的请求，例如为 sepal_length 提供字符串或遗漏了像 request_id 这样的必填字段，FastAPI 将自动返回 422 Unprocessable Entity 错误响应，其中详细说明了验证问题，甚至无需运行您的端点代码。

用于响应数据的嵌套模型

正如您构建复杂的输入一样，您通常也需要构建复杂的输出。例如，返回的不仅是预测标签，还有关联的概率或边界框。您可以在路径操作装饰器中使用 response_model 参数来使用嵌套的 Pydantic 模型。

from pydantic import BaseModel
from typing import List, Dict

class PredictionResult(BaseModel):
    predicted_class: str
    probability: Optional[float] = None

class PredictionResponse(BaseModel):
    request_id: str
    results: List[PredictionResult] # 包含嵌套 PredictionResult 模型的列表
    model_version_used: str

# 假设 app 和 PredictionRequest 已如上定义

@app.post("/predict_detailed", response_model=PredictionResponse)
async def create_detailed_prediction(request: PredictionRequest):
    # （模型推理逻辑）
    # 假设模型预测多个结果或概率
    model_output = [
        {"predicted_class": "setosa", "probability": 0.98},
        {"predicted_class": "versicolor", "probability": 0.02},
    ]
    config_data = request.config if request.config else ModelConfig()

    # 构建符合 PredictionResponse 的响应
    response_data = PredictionResponse(
        request_id=request.request_id,
        results=[PredictionResult(**item) for item in model_output],
        model_version_used=config_data.model_version
    )

    return response_data

通过设置 response_model=PredictionResponse，FastAPI 确保：

1. 验证： 您的函数返回的数据会根据 PredictionResponse 模式进行验证（包括嵌套的 PredictionResult 列表）。
2. 序列化： 返回的 Pydantic 模型实例将自动序列化为 JSON。
3. 过滤： 最终的 HTTP 响应中仅包含 PredictionResponse 中定义的字段，防止内部数据意外泄露。
4. 文档： API 文档（例如 Swagger UI）会准确反映嵌套的响应结构。

图表：嵌套输入模型结构

以下图表说明了前面定义的 PredictionRequest 模型的构成。

PredictionRequest 模型包含一个 InputFeatures 实例，并可选地包含一个 ModelConfig 实例。

使用嵌套来构建数据模型是一种有效方式，可以处理许多机器学习任务中固有的复杂性，同时确保 API 定义的数据完整性和清晰度。这种使用 Pydantic 的声明式方法显著简化了 FastAPI 应用程序中的验证逻辑。