معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Deploy mlflow models as JSON APIs with minimal new code.

ویژگی	مقدار
سیستم عامل	-
نام فایل	fastapi-mlflow-0.4.1
نام	fastapi-mlflow
نسخه کتابخانه	0.4.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	John Harrison
ایمیل نویسنده	john.harrison@autotrader.co.uk
آدرس صفحه اصلی	https://github.com/autotraderuk/fastapi-mlflow
آدرس اینترنتی	https://pypi.org/project/fastapi-mlflow/
مجوز	Apache-2.0

# fastapi mlflow Deploy [mlflow](https://www.mlflow.org/) models as JSON APIs using [FastAPI](https://fastapi.tiangolo.com) with minimal new code. ## Installation ```shell pip install fastapi-mlflow ``` For running the app in production, you will also need an ASGI server, such as [Uvicorn](https://www.uvicorn.org) or [Hypercorn](https://gitlab.com/pgjones/hypercorn). ## Install on Apple Silicon (ARM / M1) If you experience problems installing on a newer generation Apple silicon based device, [this solution from StackOverflow](https://stackoverflow.com/a/67586301) before retrying install has been found to help. ```shell brew install openblas gfortran export OPENBLAS="$(brew --prefix openblas)" ``` ## License Copyright © 2022-23 Auto Trader Group plc. [Apache-2.0](https://www.apache.org/licenses/LICENSE-2.0) ## Examples ### Simple #### Create Create a file `main.py` containing: ```python from fastapi_mlflow.applications import build_app from mlflow.pyfunc import load_model model = load_model("/Users/me/path/to/local/model") app = build_app(model) ``` #### Run Run the server with: ```shell uvicorn main:app ``` #### Check Open your browser at <http://127.0.0.1:8000/docs> You should see the automatically generated docs for your model, and be able to test it out using the `Try it out` button in the UI. ### Serve multiple models It should be possible to host multiple models (assuming that they have compatible dependencies...) by leveraging [FastAPIs Sub Applications](https://fastapi.tiangolo.com/advanced/sub-applications/#sub-applications-mounts): ```python from fastapi import FastAPI from fastapi_mlflow.applications import build_app from mlflow.pyfunc import load_model app = FastAPI() model1 = load_model("/Users/me/path/to/local/model1") model1_app = build_app(model1) app.mount("/model1", model1_app) model2 = load_model("/Users/me/path/to/local/model2") model2_app = build_app(model2) app.mount("/model2", model2_app) ``` [Run](#run) and [Check](#check) as above. ### Custom routing If you want more control over where and how the prediction end-point is mounted in your API, you can build the predictor function directly and use it as you need: ```python from inspect import signature from fastapi import FastAPI from fastapi_mlflow.predictors import build_predictor from mlflow.pyfunc import load_model model = load_model("/Users/me/path/to/local/model") predictor = build_predictor(model) app = FastAPI() app.add_api_route( "/classify", predictor, response_model=signature(predictor).return_annotation, methods=["POST"], ) ``` [Run](#run) and [Check](#check) as above.

نیازمندی

مقدار	نام
>=0.73.0	fastapi
>=1.23.0,<2.0.0	mlflow
>=1.9.0,<2.0.0	pydantic

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl fastapi-mlflow-0.4.1:

pip install fastapi-mlflow-0.4.1.whl

نصب پکیج tar.gz fastapi-mlflow-0.4.1:

pip install fastapi-mlflow-0.4.1.tar.gz