API 测试简介

确保 FastAPI API 如预期般运行是一项主要事项，尤其是在整合机器学习模型时。编写代码只是过程的一部分；通过测试来验证其正确性，对于构建可靠的应用非常必要。在为机器学习模型提供服务时，意外输入或行为可能导致不准确的预测或服务故障。测试能为应用的后续维护和未来开发提供必要的信心。

自动化测试充当安全网。它们让您能够对代码库进行修改（例如重构端点逻辑、更新依赖项，甚至替换机器学习模型），同时确保您不会无意中破坏现有功能。对于机器学习 API，测试验证多个重要方面：

• 契约一致性： 验证您的 API 根据定义的 Pydantic 模式正确处理输入，并以预期格式返回输出。这确保与您的 API 交互的客户端收到可预测的响应。测试确认您在第 2 章中定义的数据结构在 API 边界得到正确执行。
• 输入验证逻辑： 确认您设定的验证规则（例如数据类型、值范围、字符串格式）得到执行，阻止格式错误或无意义的数据抵达您的模型推断逻辑。这对于机器学习模型非常重要，因为它们通常要求输入具有非常特定的格式或范围。
• 集成正确性： 确保 API 端点正确预处理输入，调用已加载的机器学习模型（如第 3 章所述），并对输出进行后处理。尽管 API 测试通常不评估模型本身的统计准确性（那是模型验证，一个通常在模型开发期间执行的独立过程），但它们会验证模型周围的流程在 API 环境中正确运行。API 是否调用了模型的 predict 方法？结果在发送回之前是否正确转换？
• 错误处理： 检查您的 API 是否对无效请求（例如那些 Pydantic 验证失败的请求）或内部问题（例如加载模型文件失败）做出适当响应，提供信息丰富的错误消息和正确的 HTTP 状态码，而不是崩溃或返回难以理解的错误。
• 回归预防： 捕捉代码更改的意外副作用，确保以前正常运行的功能在修改后继续正常运行。随着应用的演变，这非常有用。

在 FastAPI 应用中，我们主要关注模拟 HTTP 请求到 API 端点并对响应断言条件的自动化测试。这些测试可以从简单的单元测试（在隔离状态下检查特定的辅助函数或 Pydantic 模型），到集成测试（验证应用中的整个请求-响应流程，包括与可能已加载的机器学习模型的互动）。

FastAPI 在设计时就考虑了可测试性。它使用标准的 Python 类型提示和 Pydantic 有助于数据结构的清晰定义，使针对这些定义编写测试变得更简单。此外，FastAPI 提供一个基于 httpx 库的 TestClient，让您能够在测试套件中直接向应用发送请求，无需运行服务器。这使得编写快速、可靠的测试变得简单直接。

以下章节将引导您使用 TestClient 为您的机器学习 API 端点编写有效的单元测试和集成测试，侧重于验证输入、测试预测逻辑，并确保您的应用结构支持可测试性。这种实践将巩固本章前面介绍的应用结构，使您的机器学习部署服务更具弹性且更易于管理。