近来，数据科学和机器学习应用呈指数级增长。随着这些数据驱动应用程序的出现，python 成为大多数开发人员的首选。在过去的几年里，python 已经跃居 ML 语言的第一名，这主要是因为打包模型并将其作为服务公开的便利性。
模型准备和训练是机器学习生命周期中的许多步骤之一。除了一个活动的 ML 应用程序之外，还有多个东西在幕后同时工作。在高层次上，它包括数据清理和准备、选择和微调算法、模型训练、通过公开一个端点(称为 、【API】)以端点的形式交付模型预测。
一个应用编程接口 ( API )是一个计算接口，它定义了多个软件中介之间的交互。它定义了可以进行的调用或请求的种类、如何进行、应该使用的数据格式以及要遵循的约定。
将 FastAPI 视为数据科学应用的包装器，以 RESTFUL 微服务的形式公开其功能。
自从企业数据科学出现以来，Flask 已经成为数据科学家快速公开用于交付应用程序的 HTTP 端点的标准。它相当轻量级、成熟、文档完善，并且已经存在了足够长的时间，已经在组织中扎根。
为了生产一个机器学习模型，标准的方法是将它包装在一个 REST API 中，并将其部署为一个微服务。Flask 目前是编写这些 API 的事实上的选择，原因有两个:
- 烧瓶是最小的。因为推理 API 在历史上倾向于简单的
predict()方法，由更固执己见的框架(如 Django)引入的复杂性被认为是不必要的。 - Flask 是用 Python 写的，Python 已经成为机器学习的标准语言。所有主流框架都有 Python 绑定，几乎所有数据科学家/ML 工程师都熟悉它。
FastAPI 是一个现代、快速(高性能)的 web 框架，用于基于标准 Python 类型提示用 Python 3.6+构建 API。 FastAPI 是构建在Starlette、Pydantic、以及uvicon之上的 Python API 微框架。
FastAPI 构建在 Pydantic 和 Starlette 之上
对于开发人员来说，所有的 web 框架都需要在功能性和灵活性之间取得平衡。Flask 的级别很低，足以提供很大的自由度，但是还有很多事情留给开发人员去做。FastAPI 就像 Flask，但是它设法达到了更健康的平衡。
- **原生异步支持:**与 Node.js 或 Go 中的框架相比，Python WSGI web 框架的最大缺点之一是无法异步处理请求。自从引入 ASGI 以来，这不再是一个问题，FastAPI 正在充分利用这一点。您所要做的只是用关键字
async声明端点，就像这样:
@app.post("/")
**async** def endpoint():
# ...
# call async functions here with `await`
# ...
return {"msg": "FastAPI is awesome!"}
- 自动化交互 API 文档: FastAPI 以 API 文档的形式提供了一个自动化交互接口。它有一个简单而优雅的界面，可以动态创建 API 文档。FastAPI 基于 OpenAPI 和 JSON 模式的开放标准。因此，只要您使用适当的 Pydantic 数据类型，它可以自动为 web API 构建一个 SwaggerUI，而无需任何额外的编码。SwaggerUI 本质上是交互式的，允许我们直接从浏览器测试 API。自动化文档受到 APISpec 的启发。
FastAPI 应用程序的 Swagger UI
- 快速创建 REST API 端点: Flask 用户必须安装 Flask-rest plus 包来为他们的数据科学应用程序创建 REST 端点。FastAPI 支持 GET、PUT、POST、DELETE、OPTIONS、HEAD、PATCH 和 TRACE Rest 操作，无需任何额外的包。所有路线及其操作都是在文档中自动生成的。
- 依赖注入: FastAPI 提供了一个内置的注入系统来处理端点上的依赖。它为实现用户认证提供了一种有效的方法。
- **轻松的数据库集成:**就数据库集成而言，FastAPI 是同类产品中最简单的 web 框架。它不会限制您围绕自己选择的几个数据库来构建应用程序。相反，它支持你能想到的所有数据库，并能顺利地将它们集成到你的应用程序中。
- 最先进的性能: FastAPI 真的很快！它不仅编码速度快，而且处理请求的速度也非常快！在由 TechEmpower 基准测试工具对多个 API 框架的性能进行基准测试的调查中，FastAPI 的表现远远超过 flask。
FastAPI 建立在***【nanos gigantum humeris insidentes】***的理念之上，也就是说，如果我站在巨人的肩膀上看得更远。FastAPI 站在两大巨头的肩膀上:
- Starlette为 web 部件。
- 为数据部分。
安装
FastAPI 在 PyPI 上以易于安装的 python 包的形式提供。FastAPI 最好的一点是它的 Flask 式简单语法，这使得以前使用过 Flask 的人很容易适应。
*$ pip install fastapi*
由于 FastAPI 本质上是异步的，它还需要 ASGI 服务器来公开生产端点，如uvicon或 Hypercorn 。
*$ pip install uvicorn
$ pip install hypercorn*
带插图的示例
从 FastAPI 开始非常简单，您只需要在您的项目中有一个 main.py 文件，您可以在其中使用类似于 flask 的装饰器轻松定义不同的 API 端点。
*# Import Dependencies
from typing import Optional
from fastapi import FastAPI # Initialize the app with FastAPI object
app = FastAPI() # First Endpoint
@app.get("/")
def read_root():
return {"Hello": "World"}# Second Endpoint
@app.get("/items/{item_id}")
def read_item(item_id: int, q: Optional[str] = None):
return {"item_id": item_id, "q": q}*
到目前为止，它与你用 flask 所做的非常相似，你可能想知道我是否必须做同样的事情，把我的代码从 Flask 转移到 FastAPI 有什么意义。为了证明你的努力，FastAPI 附带了这个惊人的动态交互式 API 文档生成器。它为你提供了一个更干净、更简单、更优雅的用户界面，你可以从网上用零行 HTML 代码来测试你的 API。
即时生成的自动化交互式文档…
现在我们将看到 PUT 方法的运行，以及 FastAPI 如何在其核心使用 Pydantic 来声明使用标准 python 类型的函数体。
*# Importing Dependencies
from typing import Optional
from fastapi import FastAPI
from pydantic import BaseModel# Initialize the app with FastAPI object
app = FastAPI() # Defining a custom object using Pydantic
class Item(BaseModel):
str price: float
is_offer: Optional[bool] = None # Endpoint-1
@app.get("/")
def read_root():
return {"Hello": "World"}# Endpoint-2
@app.get("/items/{item_id}")
def read_item(item_id: int, q: Optional[str] = None):
return {"item_id": item_id, "q": q} # Endpoint-3
@app.put("/items/{item_id}")
def update_item(item_id: int, item: Item):
return {"item_name": item.name, "item_id": item_id}*
运行上述代码将导致触发事件，这些事件将根据更新的端点自动创建 API doc。
通过点击 【试用】， ，它会提供一个文本框让你直接从 web 界面输入 item_id 并与 API 交互。
现在点击 “执行” 按钮，用户界面将自动与您的 API 通信，发送参数，获取结果并在屏幕上显示出来
FastAPI 于 2018 年首次亮相，与 flask 相比，它是一个相对较新的框架，但仍然成为构建高性能数据科学应用程序的事实上的选择。它遵循了 flask 的极简方法，但在此基础上增加了创新功能，使其使用起来非常高效和直观。
如果你想了解更多，或者想让我写更多关于这个主题的东西，请随时联系…
我的社交链接:LinkedIn|Twitter|Github
如果你喜欢这篇文章或觉得它有帮助，请花一分钟按一下拍手按钮，它会增加文章对其他媒体用户的可见性。