FastAPI：烧瓶的正确替代品？
完成模型构建和适当的超参数调整后，数据科学项目的下一步是向公众展示最终结果。这样做非常重要，因为并非每个人都对查看代码感兴趣，并且他们对最终结果更感兴趣。它还可以帮助数据科学有抱负的人建立一个端到端的项目，从而使他们比其他人更具优势，并使他们对其他技术有所了解。
机器学习模型的部署可以采用不同的路线，具体取决于要为其提供模型的平台。该网络接口是服务于一个模型，但不限于最常见的方式Android和iOS应用或IOT设备，如树莓派。如果您在详细研究这一点，那么一个框架，均居搜索查询与烧瓶框架这是一个简约的应用程序快速设置Web服务器，但它有一些问题，这是目前解决在最新发布的框架调用FastAPI这是获得了这些天很受欢迎。
在本文中，我们将通过示例代码来了解FastAPI框架在Flask方面的优势，以便更好地理解事物。在此之前，如果您对Android应用程序部署感兴趣，则可以阅读我的文章“在Android App中部署ML”。
FastAPI与Flask
烧瓶
这是一个基于Python的框架，可让您使用较少的代码连接网站。您可以使用它创建一个小型网站，因为它可以在每个步骤进行自定义。作为一个简约的软件包，只有核心组件与此捆绑在一起，所有其他扩展都需要显式设置。许多开发人员都使用Flask托管其API。API（应用程序接口）是一种允许多个中介之间进行通信的接口，这意味着人们可以使用任何技术来访问任何类型的数据。例如，您可以使用可以使用Python构建的Javascript访问API。flask中的一个简单程序如下所示：
从flask导入Flask，jsonify
app = Flask（__ name__）
@ app.route（“ / <名称>”，方法= ['GET']）
def home（名称）：
    返回jsonify（{“ message”：f“你好！{name}”}）
如果__name__ ==“ __main__”：
    app.run（debug = True）
在访问URL localhost / AnyNameHere时，将显示类似于以下内容的JSON结果：（我使用称为JSON viewer的chrome扩展名。系统可能会提示您输入纯文本而不是此格式的输出）
烧瓶
烧瓶问题
这种方法的问题是没有数据验证，也就是说，我们可以传递任何类型的数据，包括字符串，元组，数字或任何字符。这经常会破坏程序，您可以想象，如果ML模型获取错误的数据类型，程序将崩溃。您可以在进一步传递值之前创建数据检查器，但这会增加额外的工作。
Flask中的错误页面是简单的HTML页面，当在其他应用程序中调用API时会引发解码器错误。Flask还存在其他一些问题，例如缓慢的特性，没有异步功能以及对Web套接字的支持，这些问题可以加快处理过程，最终没有自动化的文档生成系统。您需要为API的用法和示例手动设计用户界面。所有这些问题都在新框架中得到解决。
FastAPI
这是一个现代的框架，可让您轻松地无缝构建API。它具有将服务器代码与业务逻辑分开的功能，从而提高了代码的可维护性。由于名称本身具有快速性，因此与烧瓶相比要快得多，因为它是基于ASGI（异步服务器网关接口）而不是WSGI（Web服务器网关接口）构建的。它具有一个数据验证系统，该系统可以在运行时检测到任何无效的数据类型，并以JSON格式将错误输入的原因返回给用户，从而使开发人员不必显式管理此异常。
它生成的文件，当你正在开发这是所有开发商最要求的事情API在旅途中。文档是其他开发人员在项目上进行协作的一种好方法，因为它向他们展示了可以用必要的说明完成的所有事情。它还生成了一个不错的GUI，可以解决烧瓶中缺少的所有问题。
它完成了OpenAI规范和Swagger的所有这些工作，以实现这些规范。作为开发人员，您只专注于逻辑构建部分，其余所有事情都由FastAPI管理。让我们看看使用现在在FastAPI中实现的Flask创建的示例：
进口脐带
从fastapi导入FastAPI
应用= FastAPI（）
@ app.get（“ /”）
def home（名称：str）：
    return {“ message”：f“ Hello！{name}”}
如果__name__ ==“ __main__”：
    uvicorn.run（app，host ='127.0.0.1'，port = 8000，debug = True）
在访问URL localhost /？name = AnyNameHere时，系统将提示您输出：
FastAPI
您可以看到该代码与flask非常相似，但是在这里我们使用的是uvicorn服务器，它是ASGI的实现。另外，这里我们没有路由任何端点，而是直接使用装饰器创建端点，这更有意义。这里的函数只是简单地将所需的参数作进一步处理，从而消除了调用请求对象的需要。
现在介绍有趣的部分。要访问自动生成的文档，请单击端点/ docs，然后将为您提供Swagger UI，该界面允许您测试API端点，还可以定义为示例以供用户测试端点：
API端点
FastAPI捆绑了另一个文档生成器，即ReDoc，它也生成了列出所有端点的精美文档。可以通过点击端点/ redoc来访问它：
ReDoc
要设置数据验证，我们可以简单地创建从Pydantic的基本模型继承的数据类型类。它是一个使用Python类型注释提供数据验证的库。我们可以添加实体的描述，并提供要在文档中显示的自定义示例。
ML FastAPI示例
我想分享一个使用FastAPI部署ML DecisionTree分类器模型的示例。问题的陈述是音乐流派分类器，其中基于音乐的技术方面（例如节奏，价态），音乐是摇滚或嘻哈音乐。我制作了一个音乐课来验证要传递给模型的数据，如下所示：
从pydantic导入BaseModel
音乐（BaseModel）类：
    声学：浮动
    舞蹈性：浮动
    能量：浮动
    工具性：浮动
    活度：浮动
    语言：浮动
    速度：浮动
    价：浮动
这是生成的API：
FastApi示例
如果要查看整个代码，请转到此GitHub存储库。
结论：选择哪一个？
在所有讨论之后，这个问题仍然没有答案，谁赢了？基于所有因素，我建议在Flask上采用FastAPI。设置非常容易，将旧的flask项目迁移到其中不会花费很多时间，异步，Web套接字和自动文档生成功能是最重要的。
可以选择flask框架来设置整个Web界面（前端和后端），但涉及ML，而ML的主要目标是检查模型是否在生产环境中正常工作，因此创建API更为合理因为其余的事情可以由其他开发人员团队管理，并且可以清楚地向他们解释您开发的程序的用法，所以FastAPI自动文档是一个很好的解决方案。
题库