FastAPI + ONNX 部署机器学习模型最佳实践

2025-01-14 164 发布于广东

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 本文介绍了如何结合FastAPI和ONNX实现机器学习模型的高效部署。面对模型兼容性、性能瓶颈、服务稳定性和安全性等挑战，FastAPI与ONNX提供了高性能、易于开发维护、跨框架支持和活跃社区的优势。通过将模型转换为ONNX格式、构建FastAPI应用、进行性能优化及考虑安全性，可以简化部署流程，提升推理性能，确保服务的可靠性与安全性。最后，以手写数字识别模型为例，展示了完整的部署过程，帮助读者更好地理解和应用这些技术。

引言

随着人工智能的迅猛发展，将训练好的模型部署到生产环境中，为用户提供实时预测服务，已成为众多企业和开发者关注的重点。然而，模型部署并非易事，涉及到模型格式转换、服务框架选择、性能优化等多个方面。本篇文章将介绍如何结合 FastAPI 和 ONNX，实现机器学习模型的高效部署，并分享其中的最佳实践。

背景介绍 🎨

机器学习模型的部署，常常会遇到以下挑战：

模型兼容性：不同的深度学习框架（如 TensorFlow、PyTorch）有各自的模型格式，直接部署可能会有兼容性问题，导致部署困难。
性能瓶颈：模型推理速度直接影响用户体验和系统资源消耗，性能优化至关重要。
服务稳定性：需要确保服务在高并发情况下的稳定性和可靠性，否则可能会崩溃。
安全性：需要防范潜在的安全风险，如输入数据的验证、攻击防护等，保障应用安全。

看到这里，可能有人会问：“有没有一种简单的方法，可以解决这些问题呢？”答案就是——FastAPI + ONNX！

为什么选择 FastAPI 与 ONNX

高性能：FastAPI 与 ONNX Runtime 的组合，提供了高效的推理和响应速度，让你的服务飞起来！
易于开发和维护：FastAPI 简洁的代码结构和自动文档生成功能，大大降低了开发和维护的成本，不再为繁琐的配置烦恼。
跨框架支持：ONNX 支持多种主流的深度学习框架，方便模型的转换和部署，再也不用陷入框架之争。
社区活跃：两个项目都有活跃的社区支持，丰富的资源和教程，遇到问题有人帮，进步之路不孤单。

最佳实践 🛠️

1.模型转换为 ONNX 格式

模型转换是部署的第一步。将训练好的模型转换为 ONNX 格式，可以提高模型的兼容性和性能。

PyTorch 模型转换

假设你有一个训练好的 PyTorch 模型，将其转换为 ONNX 格式呢只需几行代码，如下：

import torch
import torch.onnx

# 加载训练好的模型
model = torch.load('model.pth')
model.eval()

# 定义一个输入张量（示例输入）
dummy_input = torch.randn(1, 3, 224, 224)

# 导出为 ONNX 格式
torch.onnx.export(model, dummy_input, 'model.onnx', 
                  export_params=True, 
                  opset_version=11, 
                  do_constant_folding=True, 
                  input_names=['input'], 
                  output_names=['output'])

print("✅ 模型已成功转换为 ONNX 格式！")

        
          
        
        
        
          
          AI 代码解读

TensorFlow 模型转换

对于 TensorFlow 的模型，也是类似的操作。

import tensorflow as tf
import tf2onnx

# 加载训练好的模型
model = tf.keras.models.load_model('model.h5')

# 转换为 ONNX 格式
spec = (tf.TensorSpec(model.inputs[0].shape, dtype=tf.float32, name="input"),)
output_path = "model.onnx"
model_proto, _ = tf2onnx.convert.from_keras(model, 
                                            input_signature=spec, 
                                            opset=11, 
                                            output_path=output_path)

print("✅ 模型已成功转换为 ONNX 格式！")

        
          
        
        
        
          
          AI 代码解读

验证转换后的模型

转换完成后，别忘了验证一下模型是否正常工作！

import onnx
import onnxruntime as ort

# 加载 ONNX 模型
onnx_model = onnx.load('model.onnx')
onnx.checker.check_model(onnx_model)
print("✅ 模型格式验证通过！")

# 使用 ONNX Runtime 进行推理
ort_session = ort.InferenceSession('model.onnx')

# 准备输入数据
import numpy as np
input_data = np.random.randn(1, 3, 224, 224).astype(np.float32)

# 运行推理
outputs = ort_session.run(None, {'input': input_data})

print("输出结果：", outputs)

        
          
        
        
        
          
          AI 代码解读

示例输出：

2.构建 FastAPI 应用

现在，我们来创建一个基于 FastAPI 的应用，将模型部署为一个 API 服务。

安装依赖

首先，安装必要的依赖包：

pip install fastapi uvicorn[standard] onnxruntime

        
          
        
        
        
          
          AI 代码解读

定义 FastAPI 应用

编写应用主文件 main.py：

from fastapi import FastAPI
import onnxruntime as ort
import numpy as np
from pydantic import BaseModel

app = FastAPI(title="机器学习模型部署 API 🚀")

# 加载 ONNX 模型
ort_session = ort.InferenceSession('model.onnx')

# 定义输入数据模型
class InputData(BaseModel):
    data: list

@app.post("/predict")
async def predict(input_data: InputData):
    # 将输入数据转换为 numpy 数组
    input_array = np.array(input_data.data).astype(np.float32)

    # 进行推理
    outputs = ort_session.run(None, {
   'input': input_array})

    # 返回结果
    return {
   "prediction": outputs[0].tolist()}

        
          
        
        
        
          
          AI 代码解读

运行应用

使用uvicorn启动应用：

uvicorn main:app --host 0.0.0.0 --port 8000

        
          
        
        
        
          
          AI 代码解读

测试接口

可以使用 curl 或其他工具测试一下接口是否正常工作：

curl -X POST "http://localhost:8000/predict" -H "Content-Type: application/json" -d '{
    "data": [0.5, 0.3, 0.2]
}'

        
          
        
        
        
          
          AI 代码解读

示例输出：

{
   
    "prediction": [[0.1, 0.9]]
}

        
          
        
        
        
          
          AI 代码解读

至此我们的 API 已经可以正常工作了！

3.性能优化

性能对于一个服务来说至关重要，这里介绍一些优化技巧。

模型优化

使用模型优化工具：ONNX 提供了模型优化工具，可简化和加速模型。

python -m onnxruntime.tools.optimizer_cli --input model.onnx --output model_optimized.onnx --optimization_level all

        
          
        
        
        
          
          AI 代码解读

量化模型：通过模型量化，将浮点数精度降低，减小模型大小，加速推理。

python -m onnxruntime.quantization.quantize --input model.onnx --output model_quant.onnx --per_channel

        
          
        
        
        
          
          AI 代码解读

推理加速

使用 GPU 加速：如果有 GPU 资源，可以使用 GPU 提供商提升推理速度。

ort_session = ort.InferenceSession('model.onnx', providers=['CUDAExecutionProvider'])

        
          
        
        
        
          
          AI 代码解读

多线程或多进程：根据服务器性能，调整并发数，充分利用硬件资源。

4.安全性考虑

安全是服务的底线，我们需要考虑以下几点。

输入验证

数据格式验证：使用 Pydantic 模型，确保输入数据的格式和类型正确。
异常处理：捕获可能的异常，如数据维度错误，返回友好的错误信息。

@app.post("/predict")
async def predict(input_data: InputData):
    try:
        # 输入验证
        input_array = np.array(input_data.data).astype(np.float32)
        # 检查输入维度（根据模型需求调整）
        if input_array.shape != (1, 3, 224, 224):
            return {
   "error": "输入数据维度不正确"}
        # 进行推理
        outputs = ort_session.run(None, {
   'input': input_array})
        return {
   "prediction": outputs[0].tolist()}
    except Exception as e:
        return {
   "error": str(e)}

        
          
        
        
        
          
          AI 代码解读

安全防护

限制请求频率：通过中间件或网关，防止恶意请求和 DDoS 攻击。
SSL/HTTPS：在生产环境中，确保通信的安全性。

案例示例 🎯

下面以一个手写数字识别模型为例，展示完整的部署过程。

1.模型训练与转换

# 使用 MNIST 数据集训练模型
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

# 定义简单的神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(28*28, 10)

    def forward(self, x):
        x = x.view(-1, 28*28)
        x = self.fc(x)
        return x

# 创建模型实例
model = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 加载数据集
train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('.', train=True, download=True, transform=transforms.ToTensor()),
    batch_size=64, shuffle=True)

# 训练模型（这里只训练一个 epoch 作示例）
for epoch in range(1):
    for data, target in train_loader:
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

# 保存模型
torch.save(model.state_dict(), 'mnist.pth')

print("✅ 模型训练完成并已保存！")

# 加载模型并转换为 ONNX
model = Net()
model.load_state_dict(torch.load('mnist.pth'))
model.eval()

dummy_input = torch.randn(1, 1, 28, 28)
torch.onnx.export(model, dummy_input, 'mnist.onnx', input_names=['input'], output_names=['output'])

print("✅ 模型已成功转换为 ONNX 格式！")

        
          
        
        
        
          
          AI 代码解读

2.构建 FastAPI 应用

from fastapi import FastAPI, File, UploadFile
from PIL import Image
import onnxruntime as ort
import numpy as np

app = FastAPI(title="手写数字识别 API 🖊️")
ort_session = ort.InferenceSession('mnist.onnx')

@app.post("/predict")
async def predict(file: UploadFile = File(...)):
    # 读取上传的图片
    image = Image.open(file.file).convert('L')
    # 图片预处理
    image = image.resize((28, 28))
    image_data = np.array(image).astype(np.float32).reshape(1, 1, 28, 28)
    # 归一化
    image_data /= 255.0
    # 推理
    outputs = ort_session.run(None, {
   'input': image_data})
    prediction = np.argmax(outputs[0])
    # 返回结果
    return {
   "prediction": int(prediction)}

        
          
        
        
        
          
          AI 代码解读

3.测试

使用工具（如 cURL、Postman）发送请求，验证接口功能。

curl -X POST "http://localhost:8000/predict" -H "accept: application/json" -H "Content-Type: multipart/form-data" -F "file=@test_digit.png;type=image/png"

        
          
        
        
        
          
          AI 代码解读

示例输出：

    {
   
        "prediction": 7
    }

        
          
        
        
        
          
          AI 代码解读

小结 ⚡️

通过遵循上述最佳实践，我们可以简化部署流程，提高模型的推理性能，增强服务的可靠性和安全性。当然，在实际应用中，我们还需要根据具体情况进行优化和调整，希望本篇文章可以对各位读者有所帮助！

FastAPI + ONNX 部署机器学习模型最佳实践

引言

背景介绍 🎨

为什么选择 FastAPI 与 ONNX

最佳实践 🛠️

1.模型转换为 ONNX 格式

PyTorch 模型转换

TensorFlow 模型转换

验证转换后的模型

2.构建 FastAPI 应用

安装依赖

定义 FastAPI 应用

运行应用

测试接口

3.性能优化

模型优化

推理加速

4.安全性考虑

输入验证

安全防护

案例示例 🎯

1.模型训练与转换

2.构建 FastAPI 应用

3.测试

小结 ⚡️

热门文章

最新文章

相关课程

相关电子书

相关实验场景

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

FastAPI + ONNX 部署机器学习模型最佳实践

引言

背景介绍 🎨

为什么选择 FastAPI 与 ONNX

最佳实践 🛠️

1.模型转换为 ONNX 格式

PyTorch 模型转换

TensorFlow 模型转换

验证转换后的模型

2.构建 FastAPI 应用

安装依赖

定义 FastAPI 应用

运行应用

测试接口

3.性能优化

模型优化

推理加速

4.安全性考虑

输入验证

安全防护

案例示例 🎯

1.模型训练与转换

2.构建 FastAPI 应用

3.测试

小结 ⚡️

热门文章

最新文章

相关课程

相关电子书

相关实验场景