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
模型工件管理
这部分内容有帮助吗？
- Engineering MLOps: A Guide to Productizing Machine Learning, Mark Wallen, 2021 (O'Reilly Media) - 这是一本关于MLOps的全面指南，涵盖了整个机器学习生命周期，包括模型工件管理、版本控制、部署策略和操作实践。
- MLflow Model Registry, MLflow Documentation, 2024 (Databricks Inc.) - MLflow模型注册表的官方文档，详细说明了如何管理、版本化和阶段性地管理机器学习模型，这与模型注册表的使用直接相关。
- Data Version Control (DVC) Documentation, Iterative, Inc., 2024 - 数据版本控制（DVC）的官方指南，解释了如何对数据和模型进行版本控制、追踪溯源，以及在Git外部管理大型文件，以支持可重现的机器学习工作流程。
- Amazon S3 User Guide, Amazon Web Services, 2024 (Amazon Web Services) - 提供了关于使用Amazon S3进行可扩展、持久对象存储的全面信息，包括桶、对象、版本控制和访问控制等概念，这些是模型工件云存储的核心。