创建预测端点

在机器学习模型加载并准备就绪后，接下来很自然的一步是为其创建Web界面。这个界面就是API端点，它是FastAPI应用程序中一个特定的URL，外部客户端或服务可以与它进行交互以获取预测结果。我们将着重于创建接收输入数据、将其传递给模型并返回模型输出的端点。

通常，预测需要将数据发送到服务器进行处理，因此HTTP POST方法是预测端点的合适选择。我们还将借助第2章中定义的Pydantic模型，以确保传入数据具有正确的结构和类型，并定义响应的格式。

定义预测路由

我们先概述一个基本的预测端点。假设我们有一个Pydantic模型InputFeatures，它表示预期的输入数据，以及一个用于响应的PredictionOutput模型。我们也假设我们训练好的ML模型对象是可用的，例如为了当前阶段的简化，它可能被加载到一个全局变量model中（更高级的加载方法，如依赖注入，将在本章稍后讨论）。

from fastapi import FastAPI
from pydantic import BaseModel
import joblib # 或者您偏好的库 (pickle 等)
import numpy as np

# --- Pydantic 模型 (来自第2章) ---
class InputFeatures(BaseModel):
    # 示例特征 - 根据您的模型需求调整
    feature1: float
    feature2: int
    feature3: float
    category_feature: str # 示例类别特征

class PredictionOutput(BaseModel):
    prediction: float # 或 int, str, list，取决于您的模型

# --- 应用程序设置 ---
app = FastAPI()

# --- 加载模型 (简化示例) ---
# 在实际应用程序中，请更仔细地管理加载 (例如，在启动时)
try:
    # 将 'your_model.joblib' 替换为您的模型文件
    model = joblib.load('your_model.joblib')
    # 如果您的模型需要预处理器 (例如，用于缩放、编码)
    # preprocessor = joblib.load('your_preprocessor.joblib')
except FileNotFoundError:
    print("错误：模型文件未找到。请确保 'your_model.joblib' 存在。")
    model = None # 处理模型未加载的情况
    # preprocessor = None

# --- 预测端点 ---
@app.post("/predict", response_model=PredictionOutput)
async def make_prediction(input_data: InputFeatures):
    """
    接收输入特征，使用已加载的模型进行预测，
    并返回预测结果。
    """
    if model is None:
         raise HTTPException(status_code=503, detail="模型未加载")

    # 1. 准备模型输入数据
    # 将 Pydantic 模型转换为模型期望的格式（例如，DataFrame、NumPy 数组）
    # 这通常涉及选择特征和可能的预处理
    # 示例：创建正确顺序/形状的 NumPy 数组
    # 注意：预处理（如对 'category_feature' 进行独热编码）应与训练时一致
    # 为简单起见，这里假设模型直接接受这种结构
    # 或者预处理步骤已集成在已加载的 'model' 对象中（例如，一个 Pipeline）

    # 简单示例，假设模型期望数值列表或 NumPy 数组
    # 您必须根据您的特定模型的输入要求调整此部分！
    # Example: features = [[input_data.feature1, input_data.feature2, input_data.feature3]]
    # 如果预处理是独立的：
    #   processed_features = preprocessor.transform(features)
    #   prediction_result = model.predict(processed_features)

    # 占位符：直接特征访问（根据需要调整）
    # 这高度依赖于您的模型期望的输入格式
    try:
        # 示例：假设模型期望 2D 数组状结构
        model_input = np.array([[
            input_data.feature1,
            input_data.feature2,
            input_data.feature3
            # 如果需要，添加预处理后的类别特征
        ]])

        # 2. 执行推断
        prediction_value = model.predict(model_input)

        # 3. 格式化响应
        # 模型可能返回 NumPy 数组或列表；提取相关值
        # 确保类型与 PredictionOutput.prediction 类型匹配
        result = float(prediction_value[0]) # 示例：获取第一个元素并进行类型转换

        return PredictionOutput(prediction=result)

    except Exception as e:
        # 处理预处理或预测期间的潜在错误
        raise HTTPException(status_code=500, detail=f"预测错误：{str(e)}")

我们来拆解一下make_prediction函数：

1. 函数签名：

   • @app.post("/predict", response_model=PredictionOutput): 这个装饰器注册该函数以处理/predict路径上的POST请求。response_model=PredictionOutput指示FastAPI根据PredictionOutput模型验证返回值，并自动生成文档。
   • async def make_prediction(input_data: InputFeatures):: 定义一个异步函数。input_data: InputFeatures参数声明起到重要作用。FastAPI使用这个类型提示来：
     • 期望请求体为JSON。
     • 根据InputFeatures Pydantic模型验证JSON数据。
     • 如果验证通过，将JSON转换为InputFeatures对象并作为input_data参数传递。如果验证失败，FastAPI会自动返回一个详细的HTTP 422（不可处理实体）错误响应。

2. 准备输入数据：

   • model_input = np.array(...): 这是一个重要步骤，您在此将已验证的input_data（一个InputFeatures对象）转换为机器学习模型predict()方法所需的精确格式。这可能涉及：
     • 选择特定字段。
     • 转换数据类型。
     • 重塑数据（例如，转换为2D NumPy数组，即使是单次预测）。
     • 应用与模型训练时完全相同的预处理步骤（缩放、编码类别特征等）。通常，这种预处理逻辑会与模型一起保存，可能在一个scikit-learn Pipeline对象中，大大简化了这一步骤。未能匹配训练时的预处理是常见的错误来源。

3. 执行推断：

   • prediction_value = model.predict(model_input): 在这里，准备好的输入被传递给已加载模型的predict()方法（如果需要概率，则传递给predict_proba()）。实际的机器学习计算发生在此。请注意，如果模型的预测步骤是计算密集型并会阻塞CPU，它可能会阻碍异步应用程序的性能。处理这种情况的方法将在第5章讨论。目前，我们假设推断速度合理。

4. 格式化响应：

   • result = float(prediction_value[0]): 模型预测方法通常返回NumPy数组或列表，即使是单次预测。您需要提取相关值，并可能转换其类型以匹配您的PredictionOutput模型。
   • return PredictionOutput(prediction=result): 您使用预测结果创建PredictionOutput模型的一个实例。FastAPI会自动将这个Pydantic对象序列化为JSON响应返回给客户端。

这种结构提供了一种服务预测的方法：FastAPI处理Web服务器机制和数据验证，而您的代码则侧重于数据准备、推断和响应格式化这些ML特定任务。请记住，务必根据您特定模型的要求和所需的输出，精确调整数据准备和响应格式化步骤。