我正在使用 FastAPI 在机器学习中进行模型推理,因此我需要将
JSON
数组作为输入,如下所示:
[
{
"Id":"value",
"feature1":"value",
"feature2":"value",
"feature3":"value"
},
{
"Id":"value",
"feature1":"value",
"feature2":"value",
"feature3":"value"
},
{
"Id":"value",
"feature1":"value",
"feature2":"value",
"feature3":"value"
}
]
输出(预测结果)应如下所示:
[
{
"Id":"value",
"prediction":"value"
},
{
"Id":"value",
"prediction":"value"
},
{
"Id":"value",
"prediction":"value"
}
]
如何在Python中使用FastAPI来实现这个?
您可以使用 Pydantic 模型让端点期待
JSON
请求正文,如此处所述(有关更多选项,请参阅此答案)。为此,创建一个具有所需参数的 Pydantic 模型(假设为 ItemIn
)(要定义可选参数,请参阅这个答案),并在端点中定义 List[ItemIn]
类型的参数,以便端点期望有 list
个 JSON
对象(在 Python 中,即 dict
对象),如here所述。以类似的方式,您可以定义一个响应模型(例如,下面示例中的ItemOut
)。
from pydantic import BaseModel
from typing import List
class ItemIn(BaseModel):
Id: str
feature1: str
feature2: str
feature3: str
class ItemOut(BaseModel):
Id: str
prediction: str
@app.post('/predict', response_model=List[ItemOut])
def predict(items: List[ItemIn]):
return [{"Id": "value", "prediction": "value"}, {"Id": "value", "prediction": "value"}]
您可以将数据发送到
predict()
函数并获取结果,如这个答案中所述。下面的例子:
@app.post('/predict', response_model=List[ItemOut])
def predict(items: List[ItemIn]):
for item in items:
pred = model.predict([[item.feature1, item.feature2, item.feature3]])[0]
或者,使用以下内容,如此答案(选项 3)中所述,以避免循环遍历项目并多次调用 predict()
函数:
import pandas as pd
@app.post('/predict', response_model=List[ItemOut])
def predict(items: List[ItemIn]):
df = pd.DataFrame([i.dict() for i in items])
pred = model.predict(df)