FastAPI 사용해보기

FastAPI

• API Server
  
  • 서버의 기능을 외부에서 쓸 수 있도록 노출한다.
  • JSON 메시지 형식으로 응답한다.
  • REST : API를 만드는 스타일
  • 조회 : 클라이언트(브라우저)가 GET 요청을 한다.
  • 생성 : 클라이언트(브라우저)가 POST 요청을 한다.
• FastAPI 설치

    $ pip install "fastapi[standard]"
  

• FastAPI 사용해보기
  1. main.py 생성

      from typing import Union
     
      from fastapi import FastAPI
     
      app = FastAPI()
     
     
      @app.get("/")
      def read_root():
          return {"Hello": "World"}
     
     
      @app.get("/items/{item_id}")
      def read_item(item_id: int, q: Union[str, None] = None):
          return {"item_id": item_id, "q": q}
     

  2. fastapi 실행

      $ fastapi dev main.py
     
              FastAPI   Starting development server 🚀
     
                  Searching for package file structure from directories with __init__.py files
                  Importing from \\...
             
          module   🐍 main.py
     
          code   Importing the FastAPI app object from the module with the following code:
     
                  from main import app
     
          app   Using import string: main:app
     
          server   Server started at http://127.0.0.1:8000
          server   Documentation at http://127.0.0.1:8000/docs
     
          tip   Running in development mode, for production use: fastapi run
     
                  Logs:
     
          INFO   Will watch for changes in these directories: []
          INFO   Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
          INFO   Started reloader process [37788] using WatchFiles
          INFO   Started server process [6124]
          INFO   Waiting for application startup.
          INFO   Application startup complete.
     

• FastAPI로 AI 모델 넣기
  1. model.py 생성
     해당 AI 모델 예시는 AND 분류기 이다.

      import numpy as np
     
      class AndModel:
          def __init__(self):
              # 파라메터
              self.weights = np.random.rand(2)
              self.bias = np.random.rand(1)
     
          def train(self):
              learning_rate = 0.1
              epochs = 20
              inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
              outputs = np.array([0, 0, 0, 1])        
              for epoch in range(epochs):
                  for i in range(len(inputs)):
                      # 총 입력 계산
                      total_input = np.dot(inputs[i], self.weights) + self.bias
                      # 예측 출력 계산
                      prediction = self.step_function(total_input)
                      # 오차 계산
                      error = outputs[i] - prediction
                      print(f'inputs[i] : {inputs[i]}')
                      print(f'weights : {self.weights}')
                      print(f'bias before update: {self.bias}')
                      print(f'prediction: {prediction}')
                      print(f'error: {error}')
                      # 가중치와 편향 업데이트
                      self.weights += learning_rate * error * inputs[i]
                      self.bias += learning_rate * error
                      print('====')        
     
          def step_function(self, x):
              return 1 if x >= 0 else 0
                 
          def predict(self, input_data):
              total_input = np.dot(input_data, self.weights) + self.bias
              return self.step_function(total_input) 
     

  2. main.py 에서 model import하기
     

      import model
     
      model = model.AndModel()
     

     해당 코드를 이용해 model.py를 main.py에 import 하여 model.AndModel의 클래스를 가지고 올 수 있다.

  3. main.py에서 train 구현하기

      @app.get("/train")
      def train():
          model.train()
          return {"result": "OK"}
     

     @app.get("/train")을 이용해 ./train에서 model.train을 구현하도록 한다.
     

     
     

     main.py 터미널 출력
     

      ...
     
      inputs[i] : [0 0]
      weights : [0.16793551 0.24359895]
      bias before update: [-0.36225755]
      prediction: 0
      error: 0
      ====
     
      ...
     
       INFO   127.0.0.1:53554 - "GET /train HTTP/1.1" 200
     

  4. main.py에서 predict 구현하기

      @app.get("/predict/left/{left}/right/{right}") 
      def predict(left: int, right: int):
          result = model.predict([left, right])
          return {"result": result}
     

     ./predict/에서 /left/{left}로 left 인자와 /right/{right}로 right 인자를 불러와 model.predict에 인자로 넣어 구현하도록 한다.

     입력 1	입력 2	결과
     0	0
     0	1
     1	0
     1	1

     main.py 터미널 출력
     

       INFO   127.0.0.1:53627 - "GET /predict/left/0/right/0 HTTP/1.1" 200
       INFO   127.0.0.1:53640 - "GET /predict/left/0/right/1 HTTP/1.1" 200
       INFO   127.0.0.1:53651 - "GET /predict/left/1/right/0 HTTP/1.1" 200
       INFO   127.0.0.1:53652 - "GET /predict/left/1/right/1 HTTP/1.1" 200
     

오늘의 회고

• 서버 외부에서 AI를 학습하고 API를 이용해 서버로 가져오는 방법을 학습하였다. 이를 이용해 학습은 서버 외부에 고성능 GPU를 이용해 학습하고 서버로 옮겨 배포할 수 있을 것이다.