FastAPI Eğitimi: FastAPI Kullanımına Giriş

API’ler (Uygulama Programlama Arayüzleri), uygulamaların modüler ve gevşek bağlı olmasını sağladıkları için modern mimarinin bel kemiğidir. Bu da uygulamaları hızlı ve kolay bir şekilde geliştirmenize, bakımını yapmanıza ve güncellemenize imkân tanır. 

API’ler, farklı uygulamaların veri paylaşmasına ve birlikte çalışmasına olanak vererek zaman ve emek tasarrufu sağladığı için makine öğreniminde de büyük önem taşır. Python’da API geliştirmek için birçok farklı çatı vardır. Python’da API oluşturmaya yönelik en popüler çatılar arasında Django, Flask ve FastAPI bulunur. Bu eğitim, FastAPI adlı çatılardan birine derinlemesine bir bakış sunar.

Bu konuya daha derinlemesine dalmak isterseniz şu kursu öneririm: Deploying AI Into Production With FastAPI.

API nedir?

API, Uygulama Programlama Arayüzü anlamına gelir. API, iki uygulamanın birbiriyle konuşmasını sağlayan bir yazılım aracısıdır. Telefonunuzdaki bir uygulamayı kullandığınızda, uygulama internete bağlanır ve bir sunucuya veri gönderir. Sunucu veriyi işler ve tekrar telefonunuza gönderir. Telefonunuzdaki uygulama da veriyi yorumlayıp size okunabilir bir şekilde sunar. 

API, bir restorandaki garsona benzer. Garson siparişinizi alır ve mutfağa iletir. Mutfak yemeği hazırlar ve garsona verir. Garson da yemeği size getirir. 

Aynı şekilde API, bir uygulamadan gelen isteği alır ve sunucuya iletir. Sunucu isteği işler ve veriyi uygulamaya geri gönderir. Uygulama veriyi yorumlar ve kullanıcıya sunar.

Görsel Kaynağı: https://www.techfunnel.com/wp-content/uploads/2021/07/api.png

Makine öğrenimi işlem hatları, API’ler ve MLOps hakkında daha fazla bilgi edinmek istiyorsanız Makine Öğrenimi, İşlem Hatları, Dağıtım ve MLOps Eğitimimize göz atabilirsiniz.

FastAPI nedir

FastAPI, standart Python tür ipuçlarına dayanan ve Python 3.7+ ile API’ler oluşturmak için yüksek performanslı bir web çatısıdır. Geliştiricilere uygulamaları hızlı ve verimli biçimde inşa etmede yardımcı olur. FastAPI, Starlette web sunucusu üzerine kuruludur ve otomatik veri doğrulama, hata yönetimi ve etkileşimli API dokümantasyonu gibi web uygulamaları geliştirmeyi kolaylaştıran özellikler içerir. 

Bu bölümde bu özelliklerin her birine ayrı ayrı bakacağız. Önce, FastAPI’nin orijinal dokümantasyonunda vurgulanan temel özelliklere göz atalım.

• Performans: NodeJS ve Go diliyle aynı seviyede.
• Hız: Geliştirme hızını 2-3 kat artırır.
• Kolay: Üstün editör desteği. Her yerde otomatik tamamlama. Öğrenmesi ve kullanması kolay.
• Sağlam: Otomatik etkileşimli dokümantasyonla üretime hazır kod.
• OpenAPI tabanlı: OpenAPI ve JSON Schema ile tamamen uyumlu.

FastAPI’nin kurulumu

FastAPI, Python 3.7+ gerektirir ve pip ile kurulabilir. FastAPI’yi ve ASGI sunucusu `uvicorn`’u kurmanız gerekir.

``

# install fastapi

pip install fastapi




# install uvicorn
pip install uvicorn

``

Basit bir API oluşturma

Hadi doğrudan çok basit bir örnek API oluşturarak başlayalım. Bunu uygulamak için VS Code kullanıyorum, ancak dilediğiniz editörü kullanabilirsiniz.

```

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}

```

(Örnek orijinal dokümantasyondan uyarlanmıştır). @tiangolo’ya teşekkürler.

Şimdi bir komut satırı terminali kullanarak bu API’yi aşağıdaki komutla çalıştırın:

```

uvicorn main:app –reload

```

`main`, Python dosyasının adı; `app` ise FastAPI sınıfını tutan değişkendir. İstediğiniz isimleri verebilirsiniz. Yukarıdaki komutu çalıştırdığınızda terminalinizde buna benzer bir çıktı göreceksiniz:

Tarayıcınızda bağlantıya gidin; `Hello World` yazan bir sayfa görüyorsanız API çalışıyor demektir.

Görsel: Yazar

İlk API’nizi oluşturduğunuz için tebrikler. 

Etkileşimli API Dokümanları

FastAPI, API’lerinizin tümü için OpenAPI standardını kullanarak bir "şema" üretir. "Şema", bir şeyin tanımı ya da betimlemesidir. Onu uygulayan kod değil, soyut bir tanımdır. OpenAPI şeması, FastAPI ile gelen iki etkileşimli dokümantasyon sistemini besler.

Dokümantasyonu görmek için URL’ye yalnızca `/docs` ekleyin (`http://127.0.0.1:8000/docs`). Bu bağlantı otomatik etkileşimli API dokümantasyonunu gösterecektir.

Görsel: Yazar

API’yi test etmek için sağ üst köşedeki `Try it out` düğmesine tıklayın.

Görsel: Yazar

Yanıt gövdesinin bir sözlük olduğunu görebilirsiniz. Bu, `main.py` içinde tanımlanan `read_item` fonksiyonunun döndürdüğü değerdir. Ayrıca istek URL’si olan `http://127.0.0.1:8000/items/1?q=orange` adresini de görüyorsunuz. `1` ve `orange` API’ye verdiğimiz girdilerdi.

FastAPI’de alternatif bir etkileşimli otomatik dokümantasyon daha vardır. Bunu görmek için http://127.0.0.1:8000/redoc` adresine gidin. Görünümü şöyledir:

Görsel: Yazar

Daha gelişmiş örnekler

Bir API geliştirirken, "yol" isteğin rotasını veya uç noktasını tanımlar. Ancak burada vermemiz gereken bir karar daha vardır: “İşlem.” Buradaki `operation` sözcüğü HTTP "yöntemlerinden" birine karşılık gelir. Bu "yöntemlerden" birini (veya birkaçını) kullanarak, HTTP protokolünün desteklediği çeşitli yollardan her biriyle iletişim kurabilirsiniz. Genellikle şu yöntemleri kullanırsınız:

• POST: veri oluşturmak için.
• GET: veri okumak için.
• PUT: veriyi güncellemek için.
• DELETE: veriyi silmek için.
• Ve birkaç gelişmiş yöntem daha 

FastAPI tüm http yöntemlerini destekler. 

FastAPI’nin Python tür ipuçları üzerine kurulu olması da bu çatının bir başka önemli yönüdür. Tür ipuçları Python 3.6 ve sonrasında desteklenir. Tür ipuçları, bir değişkenin türünü bildirmenizi sağlayan özel bir sözdizimidir. 

Değişkenleriniz için türleri bildirmeniz, editörler ve diğer araçların size daha iyi yardım sağlamasını mümkün kılar. Gelişmiş bir örneğe bakalım.

`main.py` dosyamızı, farklı veri tiplerinde birden fazla girdi alacak yeni bir `PUT` isteğini içerecek şekilde değiştireceğiz. 

```

from typing import Union




from fastapi import FastAPI

from pydantic import BaseModel




app = FastAPI()




class Item(BaseModel):

    name: str

    price: float

    is_offer: Union[bool, None] = None




@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}




@app.put("/items/{item_id}")

def update_item(item_id: int, item: Item):

    return {"item_name": item.name, "item_id": item_id}

```

(Örnek orijinal dokümantasyondan uyarlanmıştır). @tiangolo’ya teşekkürler.

Değişiklik:

İki girdi alan bir `put` isteği eklendi. `item_id` bir tamsayıdır ve `item` türü, `pydantic`’in `BaseModel`’inden türeyen özel `Item` sınıfını işaret eder. `Item` sınıfı üç öznitelik içerir: `name`, `price`, `is_offer` ve bunların her biri farklı veri tiplerine sahiptir.

FastAPI şunları kontrol eder: 

• `name` bir `str`’dir.
• `price` bir `float`’tır.
• `is_offer` varsa bool’dur.

Tür ipuçlarını kullanmanın avantajı, parametreler, gövde vb. için türleri standart Python (3.6+) fonksiyon parametreleri olarak bir kez bildirmenizdir. Bunun karşılığında şunları elde edersiniz:

• Editör desteği, otomatik tamamlama ve tür kontrolleri dahil
• Veri Doğrulama
• Girdi verisinin dönüştürülmesi
• Çıktı verisinin dönüştürülmesi
• Anlaşılması kolay hatalar.

FastAPI’nin Django ve Flask ile karşılaştırması

Bu üç çatı da web uygulamaları geliştirmek için kullanabileceğiniz Python web çatılarıdır. Her birinin güçlü ve zayıf yönleri vardır.

Django, yerleşik bir ORM ve yönetim paneli de dâhil olmak üzere başlamak için gereken her şeyi içeren, tam özellikli bir çatıdadır. Yeni başlayanlar için biraz göz korkutucu olabilir, ancak kapsamlı dokümantasyonu öğrenmeyi kolaylaştırır.

Flask, hafif ve başlaması kolay bir mikro çatıdadır. Django kadar çok özellikle gelmez, ancak basit projeler için idealdir.

FastAPI, hızlı ve kullanımı kolay olacak şekilde tasarlanmış yeni bir çatıdadır. Otomatik veri doğrulama ve dokümantasyon gibi özellikler içerir. 

FastAPI Performans Kıyasları

techempower tarafından yürütülen testlerin sonuçlarına göre, FastAPI genel performans açısından diğer tüm çatılardan üstündür. 

Kaynak: https://www.techempower.com/benchmarks/

Örnek: PyCaret ile uçtan uca bir makine öğrenimi işlem hattı kurup FastAPI ile dağıtma 

Bu bölümde hızlıca bir makine öğrenimi işlem hattı kurup ardından modeli sunmak için bir API oluşturacağız. İşlem hattını kurmak ve bir API oluşturmak için düşük kodlu bir Python kütüphanesi olan PyCaret’i kullanacağız. PyCaret’in FastAPI ile entegrasyonu vardır; bu da makine öğrenimi modellerini API olarak oluşturmayı ve sunmayı son derece kolaylaştırır.

PyCaret

PyCaret, makine öğrenimi iş akışlarını otomatikleştiren, Python’da açık kaynaklı, düşük kodlu bir makine öğrenimi kütüphanesidir. Deney döngüsünü katlanarak hızlandıran ve üretkenliğinizi artıran uçtan uca bir makine öğrenimi ve model yönetim aracıdır.

```

pip install pycaret

```




```

import pycaret

pycaret.__version__

>>> 2.3.10

```

Bu örnekte `insurance` veri setini kullanacağız. Bu, yaş, cinsiyet, BMI ve bölgeye göre tıbbi harcamaları tahmin etmeye yönelik bir regresyon kullanım senaryosudur. 

```

from pycaret.datasets import get_data

data = get_data(‘insurance’)

```

Görsel: Yazar

Sonraki adımda pycaret’ten `setup` fonksiyonunu başlatacağız. Bu fonksiyon, PyCaret’te deneyi başlatır ve fonksiyona geçirilen tüm parametrelere göre dönüşüm işlem hattını oluşturur. 

`setup`, diğer herhangi bir fonksiyondan önce mutlaka çalıştırılmalıdır. Çalışması için iki parametre gerekir: `data` ve `target`. `setup` içindeki diğer tüm argümanlar isteğe bağlıdır. `setup` fonksiyonu, veri ön işleme prosedürlerinin tamamını kontrol etmekten sorumludur. PyCaret’te desteklenen tüm ön işleme prosedürlerinin kapsamlı dökümü için PyCaret dokümantasyonuna bakın.

```

from pycaret.regression import *

s = setup(data, target = 'charges')

```

Görsel: Yazar Çıktı kısaltılmıştır.

Kurulum tamamlandıktan sonra, yalnızca tek satır kodla model eğitimi ve seçimine başlayabiliriz: `compare_models`. Bu fonksiyon, çapraz doğrulama kullanarak model kütüphanesindeki tüm kestirimcilerin model performansını eğitir ve değerlendirir. Fonksiyonun sonucu, çapraz doğrulamadan elde edilen ortalama puanları içeren bir skor tablosudur.