Пошаговое руководство по настройке вашего API с помощью FastAPI Python для развертывания модели машинного обучения для исправления правописания.

К концу этого руководства вы сможете разработать API для предоставления вашей модели машинного обучения через API с использованием Python и известной библиотеки Python API: «FastAPI». Модель машинного обучения, которую мы будем использовать, представляет собой предварительно обученную модель для исправления орфографии под названием TextBlob.

TextBlob — это библиотека Python (2 и 3) для обработки текстовых данных. Он предоставляет простой API для погружения в общие задачи обработки естественного языка (NLP), такие как маркировка частей речи, извлечение именной фразы, анализ тональности, классификация, перевод и многое другое. [https://textblob.readthedocs.io/en/dev/]

Обратите внимание, что я не буду подробно рассказывать о модели и о том, как она работает, однако мы сосредоточимся на технических деталях представления модели с помощью API.

Я предполагаю, что вы знаете, как работает API и как настроить API с помощью FastAPI и Python. если нет, пожалуйста, проверьте мой следующий учебник:



Как разработать собственный API с помощью Python FastAPI
Пошаговое руководство по настройке собственного API с нуля с использованием Python FastAPI.python.plainenglish .io



Готов идти? тогда приступим!

Прежде чем мы начнем, пожалуйста, нажмите кнопку «Подписаться», чтобы получать уведомления каждый раз, когда публикуется новый учебник!

Вы можете поддержать других авторов и меня на Medium, став участником:



Присоединяйтесь к Medium по моей реферальной ссылке — Халил САИДИ
Прочитайте все истории Халила САИДИ (и тысяч других авторов на Medium). Ваш членский взнос напрямую поддерживает…medium.com



Шаги по разработке вашего API машинного обучения с помощью Python FastAPI

Предположим, вы уже работали над фантастической моделью машинного обучения или у вас есть предварительно обученная модель, и вы хотите использовать ее как услугу, так как же развернуть ее как услугу, чтобы вы и другие могли получить доступ к вашей модели и использовать ее как «сервис» без необходимости загружать свой код и запускать его в ноутбуке, как предоставить доступ пользователям со всего мира к вашей потрясающей модели машинного обучения?

Ответ: можно через веб-API! Подождите секунду, но я не веб-разработчик (я не знаю nodeJs или javascript…), я разработчик Python!

Что ж, в этом руководстве вы узнаете, как разработать свой ML API с помощью Python с использованием FastAPI.

Подготовьте свою модель: я предполагаю, что ваша модель уже подготовлена ​​(обучена, все параметры в порядке…). В этом руководстве мы будем использовать предварительно обученную модель из библиотеки TextBlob. Мы дадим модели английскую фразу или абзац, затем модель обнаружит орфографические ошибки, исправит их и вернет нам правильный текст. Круто, правда?!

Шаги по настройке API модели машинного обучения:

  • Импортировать все необходимые библиотеки
  • Загрузите свою модель в свой код Python и протестируйте ее.
  • Подготовьте свой API и попробуйте его.
  • Интегрируйте свою модель машинного обучения в свой API.
  • Протестируйте свой API

Хотите разработать API корректора текстовой орфографии машинного обучения с помощью Python FastAPI? Время кодирования!

1. Импортируйте все необходимые библиотеки

В этом уроке мы будем использовать:

  • Пакет «fastapi»: из которого мы будем импортировать модули «Request» и «FastAPI».
  • пакет «textblob»: из которого мы будем импортировать модуль TextBlob

Теперь, чтобы убедиться, что у вас есть все необходимые пакеты для запуска вашей модели, вы должны установить TextBlob и все его требования, выполнив следующую команду:

install textBlob : pip install textblob

затем импортируйте все пакеты:

#Import section
from fastapi import Request,FastAPI
from textblob import TextBlob

2. Загрузите свою модель в свой код Python

Теперь мы попробуем использовать наш TextBlob в нашем коде Python:

text = "it is a gooood daye"
print("Initial text : ",text)
print("Correct text : ",TextBlob(text).correct())

Обратите внимание, что мы создаем объект TextBlob текста, который хотим исправить, а затем вызываем метод «correct()», чтобы вернуть исправленный текст. При запуске кода выше вы получите:

Initial text :  it is a gooood daye
Correct text :  it is a good day

Круто не правда ли?!

3. Настройте свой API с помощью Python FastAPI

Во-первых, вам нужно создать свой API:

app = FastAPI()

Теперь определите путь, по которому ваши пользователи будут отправлять вам запрос (в этом случае пользователь отправит текст, а сервер вернет исправленный текст). А пока просто верну текст, чтобы убедиться, что все работает нормально:

@app.post("/textCorrector/")
async def get_body(request: Request):
  req = await request.json()
  result = {'correctedText' : req['text']}
  return result

Здесь мы настроили метод POST для получения запроса пользователя по пути «/textCorrector/». Далее получаем текст из запроса и отдаем в итоге тот же текст: {‘correctedText’ : req[‘text’]} (просто проверить, все ли в порядке с нашим API)

Теперь запустите свой API с помощью:

uvicorn server:app --reload

Обратите внимание, что мой файл Python называется server.py, в любом случае, если вы не знаете, как запустить FastAPI, посмотрите это руководство: ссылка

Мой сервер работает на локальном хосте (http://127.0.0.1:8000/), а путь к моему API — «/textCorrector/». Давайте проверим это:

Совет: мы можем увидеть документацию Swagger API, сгенерированную автоматически по пути «docs/»:

http://127.0.0.1:8000/docs

вы получите это:

Затем мы можем использовать Postman, чтобы попробовать API:

Потрясающий! наш API работает! давайте интегрируем TextBlob.

4. Интегрируйте модель машинного обучения TextBlob корректора орфографии в свой Python FastAPI.

Теперь это самая удивительная часть руководства, поскольку вы интегрируете свою модель машинного обучения для исправления орфографии, основанную на TextBlob, в ваш Python FastAPI.

Поскольку на первых шагах все уже было подготовлено, все будет очень просто:

#Set up your API and integrate your ML model
@app.post("/textCorrector/")
async def get_body(request: Request):
   req = await request.json()
   result = {'correctedText' : TextBlob(req['text']).correct().raw}
   return result

Чтобы проверить это, нам нужно отправить текст для исправления в API, и мы получим правильный тест в качестве ответа, давайте проверим его с помощью Postman:

Потрясающий! оно работает!

Полный код

Заключение

К концу этого руководства вы узнали, как настроить API модели машинного обучения корректора орфографии текста с помощью TextBlob и Python FastAPI, выполнив следующие действия:

  • Импортировать все необходимые библиотеки
  • Загрузите свою модель в свой код Python и протестируйте ее.
  • Подготовьте свой API и протестируйте его.
  • Интегрируйте свою модель машинного обучения в свой API.
  • Протестируйте свой API

Теперь вы эксперт :) попробуйте изменить модель и взглянуть на документацию, чтобы иметь возможность делать много замечательных вещей!

Дайте мне знать, если вам нужен учебник о том, как развернуть ваш API в реальном облаке (оставьте мне комментарий!).

Надеюсь, это было полезно! Смотрите все мои уроки здесь.

Не забудьте нажать кнопку Подписаться.

Вы можете поддержать меня и других авторов, присоединившись к сообществу Medium, пройдя по ссылке:



Присоединяйтесь к Medium по моей реферальной ссылке — Халил САИДИ
Прочитайте все истории Халила САИДИ (и тысяч других авторов на Medium). Ваш членский взнос напрямую поддерживает…medium.com



Дополнительные материалы на PlainEnglish.io. Подпишитесь на нашу бесплатную еженедельную рассылку новостей. Подпишитесь на нас в Twitter, LinkedIn, YouTube и Discord . Заинтересованы в хакинге роста? Ознакомьтесь с разделом Схема.