소개

기계 학습 모델이 아무리 효율적이더라도 비즈니스에 가치를 창출할 때만 유용합니다. 이것은 컴퓨터의 폴더에 저장되어 있는 경우에는 발생하지 않습니다. 빠르게 성장하는 이 환경에서 AI 솔루션을 시장에 출시하려면 속도와 우수한 배포 전략이 필요합니다!

이 문서에서는 이 Fast API문제에 대해 어떻게 도움을 줄 수 있는지 설명합니다. 먼저 API를 생성하여 Fast API와 해당 일러스트레이션에 대한 글로벌 개요를 살펴보겠습니다.

FastAPI — 무엇을 그리고 왜?

Flask, Django 등과 같은 다양한 프레임워크에 이미 익숙할 수도 있습니다. 그러나 Fast API는 RESTful 마이크로서비스를 위한 고성능 및 개발 측면에서 두드러집니다. 이것은 techempower 의 벤치마킹 분석에서 발췌한 내용으로 강조될 수 있습니다 .

사용 사례에 대한 구현

여기에서 목표는 주어진 문자 메시지가 스팸인지 햄인지 예측하는 것을 목표로 하는 감정 분류 모델을 제공하는 것입니다. 이 기사의 목적은 모델이 이미 훈련되어 있어야 하는 API 생성에 중점을 두고 있기 때문에 전체 데이터 과학 프로세스(데이터 분석, 데이터 전처리, 모델 훈련 등)에 대해 더 깊이 들어가지는 않을 것입니다. 이에 대해 더 알고 싶다면 이 기사 를 참조하십시오 .

달성하려는 주요 구성 요소를 강조하는 워크플로를 이해하는 것으로 시작하겠습니다.

1단계: API 빌드

• 사용자/클라이언트는 API와 상호 작용하여 예측 모델을 트리거하는 uvicorn 서버 에 요청을 보냅니다.
• 모델은 극성(스팸 또는 햄)을 반환하고 결과는 JSON 형식으로 사용자에게 표시됩니다.

• API를 생성한 후 앱이 실행될 Docker 이미지를 생성합니다.

다음 이미지는 우리 프로젝트의 주요 폴더와 그 내용을 보여줍니다.

다음 사항에 더 중점을 둘 것입니다.

• app.py서버 측의 모든 지침 포함
• docker컨테이너를 생성하기 위한 Dockerfile 을 포함 합니다.

python 파일의 API 구현 app.py은 다음 세 가지 주요 섹션으로 나뉩니다.

1. API에 필요한 모든 라이브러리를 가져옵니다( 2~3행 ). 그 전 단계는 해당 라이브러리를 설치하는 것입니다 . 이 작업은 pip install -r requirements.txt명령을 실행하여 수행할 수 있습니다.
2. 직렬화된 모델과 벡터를 로드하고( 라인 6 및 9 ) Fast API를 인스턴스화합니다( 라인 12 ).

• default route : 매개변수를 사용하지 않는 root()"/” 함수를 통해 JSON 형식 "message": "Welcome to Your Sentiment Classification FastAPI"를 단순히 반환합니다 .
• 예측 경로 : 이것은 매개변수로 사용자의 메시지를 취하는 함수를 "/predict_sentiment"트리거하고 19-22 행 에서 정의된 형식으로 JSON 응답을 반환합니다 . 감정 극성은 모델의 예측입니다.predict_sentiment()

uvicorn app:app --reload

• app: 파이썬 파일에 해당합니다 app.py. ":" 기호 왼쪽에 있는 파일입니다.
• appapp.py: 명령어 내부에 생성된 객체에 해당합니다 app = FastAPI(). 파일 이름이 main.py인 경우 지침은 다음과 같습니다.uvicorn main:app --reload
• --reload: 코드 변경 후 서버를 다시 시작하는 데 사용되는 옵션입니다. 이것은 배포 단계가 아니라 개발 단계에 있을 때만 사용된다는 점을 명심하십시오.

1행 은 유니콘 서버가 로컬 호스트(http://127.0.0.1) 포트 8000에서 실행되고 있음을 보여줍니다.

기본 경로에 액세스하는 것은 간단합니다. 즐겨찾는 브라우저에 다음 URL을 입력하기만 하면 됩니다.

이것이 우리가 얻은 결과입니다.

여기 흥미로운 부분이 있습니다. URL http://127.0.0.1:8000/docs 는 API와 상호 작용하기 위한 완전한 대시보드를 제공합니다. 아래는 결과입니다.

이전 이미지에서 녹색 상자에서 /predict_sentiment 를 선택하면 아래와 같이 API와 상호 작용하기 위한 전체 가이드가 표시됩니다.

사용해 보기 탭을 선택 하고 text_message 영역 에서 예측할 메시지를 제공하기만 하면 됩니다.

text_message 상자에 입력한 메시지를 잘 보이도록 축소했습니다. Execute 버튼 을 선택하면 최종적으로 다음과 같은 결과를 얻을 수 있습니다 .

API 응답 본문 섹션을 보면 다음과 같은 결과를 볼 수 있습니다.

{
  "text_message": "Congratulations!!! You won today’s lottery.          Please provide your bank information to transfer the total amount on your account",
  "sentiment_polarity": "Spam"
}

Docker 컨테이너에 배포

API가 준비되었습니다. 이제 이를 Docker 컨테이너에 배포할 차례입니다. 컨테이너화 이면의 아이디어는 API를 이식성 있게 만들고 모든 플랫폼(클라우드 포함)에서 보다 안전한 방식으로 균일하고 일관되게 실행할 수 있다는 것입니다. 또한 Kubernetes를 사용하면 API를 더 쉽게 확장할 수 있습니다. 그러나 쿠버네티스의 역할은 또 다른 시간이 될 것입니다.

아래는 Dockerfile우리 앱의 내용입니다.

도커파일을 이해하자 🧐

Dockerfile 파일에는 아래와 같이 5가지 주요 지침이 포함되어 있습니다.

• FROM도커 허브에서 공식 파이썬 이미지를 가져오면 해당 이미지에서 파일이 빌드됩니다.
• WORKDIR: 응용 프로그램의 작업 디렉터리로 /app을 만듭니다.
• COPY: 원본 폴더에서 대상 폴더로 파일을 복사합니다.
• RUN: 프로젝트 종속성을 설치하기 위해 requirements.txt 파일을 실행합니다.
• CMD: 최종적으로 이미지를 실행 가능하게 만들기 위해 진입점을 만듭니다.

docker build -t fastapiapp:latest -f docker/Dockerfile .

Successfully built 9ecdd7e21323
Successfully tagged fastapiapp:latest

docker run -p 80:80 fastapiapp:latest

INFO:     Started server process [1]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:80(Press CTRL+C toquit)

      
                

                    
                    
                
            

결론

축하합니다! 🎉 🍾 Fast API를 사용하여 API를 만드는 방법을 방금 배웠습니다. 이 기사를 재미있게 읽고 필요한 기술을 배웠기를 바랍니다. 학습을 심화하려면 아래 추가 리소스를 찾으십시오.

Medium , Twitter 에서 저를 팔로우 하거나 LinkedIn 에서 안녕하세요 라고 말 하십시오 . AI, ML, 데이터 과학, NLP 및 MLOps에 대해 토론하는 것은 언제나 즐거운 일입니다!

일단은 안녕 🏃

추가 리소스

GitHub의 소스 코드

FastAPI 문서