Python FastAPI 構建數據科學應用 Building Data Science Applications with FastAPI: Develop, manage, and deploy efficient machine learning applications with Python

[法]Francois Voron 譯 張晨曦

Python FastAPI 構建數據科學應用

買這商品的人也買了...

相關主題

商品描述

本書從FastAPI框架的基礎知識和相關的Python編程概念開始講解。
然後，您將了解該框架的所有方面知識，包括其強大的依賴注入系統，
以及如何使用它與數據庫通信、實現身份驗證和集成機器學習模型等。
之後，您將學習與測試和部署相關的實踐，以運行高質量和健壯的應用程序。
後，您還將學習Python數據科學軟件包的應用生態系統。
隨著學習的深入，您將學習如何使用FastAPI在Python中構建數據科學應用程序。
本書還演示瞭如何開發快速高效的機器學習預測後端，並對其進行測試，以獲得性能。
後，您將看到如何使用WebSocket和Web瀏覽器作為客戶端實現人臉實時檢測。
在本書的後，您不僅學習如何在數據科學項目中實現Python，
還學習如何在FastAPI的幫助下維護和設計它們，以滿足高編程標準。

本書面向對FastAPI及其生態系統感興趣的數據科學家和軟件開發人員，並以此構建數據科學應用程序。
讀者需要具備數據科學和機器學習概念的基本知識，以及了解如何在Python中應用它們。

作者簡介

Francois Voro
畢業於法國聖埃蒂安大學和西班牙阿利坎特大學，獲得機器學習和數據挖掘碩士學位。
François是一名全棧web開發人員和數據科學家，在SaaS行業有卓越的成績，特別實在Python後端和REST API領域。
他還是FastAPI Users（FastAPI身份驗證庫）的創建者和維護者，也是FastAPI社區的專家之一。

目錄大綱

第1章 快速入門:基礎知識 / 1
部分Python和FastAPI 概述
第1章Python開發環境設置3
1.1技術要求3
1.2使用pyenv安裝Python發行版3
1.3創建Python虛擬環境5
1.4使用pip安裝Python包7
1.5安裝HTTPie命令行實用程序7
1.6總結9
第2章Python 編程特性10
2.1技術要求10
2.2Python編程基礎10
2.2.1運行Python腳本11
2.2.2縮進問題12
2.2.3使用內置的類型13
2.2.4使用數據結構：列表、元組、字典和集合13
2.2.5執行布爾邏輯並檢查是否存在17
2.2.6程序控制流19
2.2.7定義函數21
2.2.8編寫及使用包和模塊23
2.3列表解析和生成器25
2.3.1列表解析25
2.3.2生成器27
2.4編寫面向對象的程序28
2.4.1定義類29
2.4.2實現魔法函數30
2.4.3重用邏輯並使用繼承避免重複33
2.5使用mypy進行類型提示和類型檢查36
2.5.1開始36
2.5.2typing模塊37
2.5.3可調用的類型函數簽名39
2.5.4Ang和cast40
2.6異步I/O41
2.7總結44
第3章使用FastAPI開發RESTful API45
3.1技術要求45
3.2創建個端點並在本地運行45
3.3處理請求參數48
3.3.1路徑參數48
3.3.2查詢參數53
3.3.3主體數據54
3.3.4表單數據和文件上傳58
3.3.5Header和Cookie62
3.3.6請求對象64
3.4自定義響應65
3.4.1路徑操作參數65
3.4.2響應參數69
3.4.3引發HTTP錯誤73
3.4.4構建自定義響應75
3.5使用多個路由器構建一個更大的項目78
3.6總結81
目錄Python FastAPI構建數據科學應用第4章在FastAPI中管理Pydantic數據模型82
4.1技術要求82
4.2使用Pydantic定義模型及字段類型82
4.2.1標準字段類型83
4.2.2可選字段和默認值87
4.2.3字段驗證88
4.2.4動態默認值89
4.2.5使用Pydantic類型驗證郵件地址和URL90
4.3使用類繼承創建模型變量92
4.4使用Pydantic添加自定義數據驗證94
4.4.1在字段級別上應用驗證94
4.4.2在對象級別上應用驗證95
4.4.3在Pydantic解析之前應用驗證96
4.5使用Pydantic對象96
4.5.1將對象轉換為字典97
4.5.2從子類對象創建實例98
4.5.3使用部分實例更新一個實例100
4.6總結101
第5章FastAPI中的依賴注入102
5.1技術要求102
5.2什麼是依賴注入102
5.3創建和使用函數依賴項103
5.4創建和使用具有類的參數化依賴項107
5.5在路徑、路由器和全局級別使用依賴項110
5.5.1在路徑裝飾器上使用依賴項110
5.5.2在整個路由器上使用依賴項111
5.5.3對整個應用程序使用依賴項112
5.6總結114
第二部分使用FastAPI構建和部署完整的Web後端
第6章數據庫和異步ORM117
6.1技術要求117
6.2關係數據庫和NoSQL數據庫118
6.2.1關係數據庫118
6.2.2NoSQL數據庫119
6.2.3選擇數據庫120
6.3使用SQLAlchemy與SQL數據庫通信121
6.3.1創建表架構122
6.3.2連接到數據庫123
6.3.3進行插入查詢124
6.3.4進行選擇查詢125
6.3.5進行更新和刪除查詢127
6.3.6添加關係128
6.3.7用Alembic建立數據庫遷移系統131
6.4使用Tortoise ORM與SQL數據庫通信135
6.4.1創建數據庫模型135
6.4.2設置Tortoise引擎137
6.4.3創建對象138
6.4.4獲取和過濾對象139
6.4.5更新和刪除對象140
6.4.6添加關係141
6.4.7用Aerich建立數據庫遷移系統144
6.5使用Motor與MongoDB數據庫通信146
6.5.1創建與MongoDB ID兼容的模型146
6.5.2連接到數據庫147
6.5.3插入文檔148
6.5.4獲取文件149
6.5.5更新和刪除文檔151
6.5.6嵌套文檔152
6.6總結153
第7章FastAPI中的管理認證與安全性154
7.1技術要求154
7.2FastAPI中的安全依賴關係154
7.3在數據庫中安全地存儲用戶及其密碼157
7.3.1創建模型和表158
7.3.2哈希密碼159
7.3.3實施註冊路線159
7.4檢索用戶並生成訪問令牌160
7.4.1實現數據庫訪問令牌(access token)160
7.4.2實現登錄端點161
7.5使用訪問令牌保護端點164
7.6配置CORS並防止CSRF攻擊165
7.6.1在FastAPI中進行配置CORS166
7.6.2實現doublesubmit Cookie以防止CSRF攻擊171
7.7總結175
第8章在FastAPI中為雙向交互通信定義WebSocket176
8.1技術要求176
8.2了解使用WebSocket進行雙向通信的原理177
8.3使用FastAPI創建WebSocket177
8.3.1處理並發性180
8.3.2使用依賴項182
8.4處理多個WebSocket連接和廣播消息184
8.5總結190
第9章使用pytest和HTTPX異步測試API191
9.1技術要求191
9.2使用pytest進行單元測試192
9.2.1使用參數生成測試194
9.2.2通過創建fixture重用測試邏輯195
9.3使用HTTPX為FastAPI設置測試工具198
9.4為REST API端點編寫測試201
9.4.1為POST端點編寫測試202
9.4.2使用數據庫進行測試203
9.5為WebSocket端點編寫測試209
9.6總結211
第10章部署FastAPI項目213
10.1技術要求213
10.2設置和使用環境變量213
10.3管理Python依賴項217
10.4在無服務器平台上部署FastAPI應用程序220
10.5使用Docker部署FastAPI應用程序223
10.5.1編寫Dockerfile223
10.5.2構建Docker映像225
10.5.3在本地運行Docker映像225
10.5.4部署Docker映像226
10.6在傳統服務器上部署FastAPI應用程序227
10.7總結228
第三部分使用Python和FastAPI構建數據科學API
第11章NumPy和pandas簡介231
11.1技術要求231
11.2NumPy入門231
11.2.1創建數組232
11.2.2訪問元素和子數組234
11.3使用NumPy操作數組：計算、聚合、比較236
11.3.1數組的加法和乘法238
11.3.2聚合數組:總和、小值、值、平均值等239
11.3.3數組比較239
11.4pandas入門240
11.4.1使用pandas Series獲取一維數據240
11.4.2使用pandas DataFrame獲取多維數據242
11.4.3導入和導出CSV數據244
11.5總結245
第12章使用scikitlearn訓練機器學習模型246
12.1技術要求246
12.2什麼是機器學習246
12.2.1監督學習與無監督學習247
12.2.2模型驗證247
12.3scikitlearn的基礎知識249
12.3.1訓練模型和預測249
12.3.2使用pipeline鏈接預處理器和估計器251
12.3.3通過交叉驗證驗證模型255
12.4使用樸素貝葉斯模型對數據進行分類255
12.4.1原理256
12.4.2使用高斯樸素貝葉斯對數據進行分類256
12.4.3使用多項式樸素貝葉斯對數據進行分類259
12.5使用支持向量機對數據進行分類260
12.5.1原理260
12.5.2支持向量機在scikitlearn中的應用262
12.5.3查找參數263
12.6總結265
第13章使用FastAPI創建高效的預測API端點266
13.1技術要求266
13.2使用Joblib持久化經過訓練的模型266
13.2.1拋棄已訓練的模型267
13.2.2加載轉儲模型268
13.3實現高效的預測端點269
13.4使用Joblib緩存結果271
13.5總結275
第14章使用帶FastAPI和OpenCV的WebSockets實現人臉實時檢測系統277
14.1技術要求277
14.2OpenCV入門277
14.3實現HTTP端點以對單個圖像執行人臉檢測280
14.4實現WebSocket以對圖像流執行人臉檢測282
14.5在WebSocket中從瀏覽器發送圖像流284
14.6在瀏覽器中顯示人臉檢測結果287
14.7總結290

類似商品