在数据科学项目中，模型构建和超参数调整完成后，下一步是将最终结果展示给公众。这样做至关重要，因为并非每个人都对查看代码感兴趣，他们更关心的是最终结果。此外，这还有助于数据科学爱好者构建端到端的项目，为他们提供竞争优势，并让他们体验其他技术。
机器学习模型的部署可以根据不同平台采取不同的途径。最常见的方法是通过Web界面提供模型，但不限于Android和iOS应用或像Raspberry Pi这样的IoT设备。如果深入研究，会发现一个在搜索查询中名列前茅的框架是Flask框架，这是一个最小化的应用程序，可以快速设置Web服务器，但它有一些问题，这些问题在最近发布的一个名为FastAPI的新框架中得到了解决，这个框架最近越来越受欢迎。
在本文中，将看到FastAPI框架如何优于Flask，并提供一个示例代码以便更好地理解。在此之前，如果对Android应用部署感兴趣，可以阅读文章《在Android应用中部署ML》。
Flask框架
Flask是一个基于Python的框架，允许用较少的代码连接网站。可以用它创建一个小型网站，因为它允许在每一步进行定制。作为一个最小化的包，它只捆绑了核心组件，所有其他扩展都需要显式设置。许多开发人员使用Flask托管他们的API。
API（应用程序接口）是一个允许多个中介之间通信的接口，这意味着一个人可以使用任何技术访问任何类型的数据。例如，可以使用JavaScript访问一个由Python构建的API。下面是一个简单的Flask程序示例：
from flask import Flask, jsonify
app = Flask(__name__)
@app.route("/<name>", methods=['GET'])
def home(name):
return jsonify({"message": f"Hello! {name}"})
if __name__ == "__main__":
app.run(debug=True)
当访问URL localhost/AnyNameHere时，会显示一个JSON结果，类似于这样：（使用了一个名为JSON viewer的Chrome扩展。可能会被提示以纯文本而不是这种格式化输出显示）
FastAPI框架
FastAPI是一个现代框架，允许无缝构建API而无需太多努力。它有能力将服务器代码与业务逻辑分开，提高代码可维护性。正如它的名字中包含“fast”，它比Flask快得多，因为它是建立在ASGI（异步服务器网关接口）而不是WSGI（Web服务器网关接口）之上的。它有一个数据验证系统，可以在运行时检测任何无效的数据类型，并将错误输入的原因以JSON格式返回给用户，这使得开发人员无需显式管理这个异常。
当在开发API时，它会即时生成文档，这是所有开发人员最需要的东西。文档是其他开发人员协作项目的好方法，因为它向他们展示了所有可以完成的事情以及必要的说明。它还生成了一个漂亮的GUI，解决了Flask中缺少的所有问题。
它通过OpenAI规范和Swagger实现这些规范。作为一个开发人员，只需要关注逻辑构建部分，其他事情都由FastAPI管理。让看看使用Flask创建的相同示例，现在用FastAPI实现：
import uvicorn
from fastapi import FastAPI
app = FastAPI()
@app.get("/")
def home(name: str):
return {"message": f"Hello! {name}"}
if __name__ == "__main__":
uvicorn.run(app, host='127.0.0.1', port=8000, debug=True)
当访问URL localhost/?name=AnyNameHere时，会得到这样的输出：
可以看到代码与Flask非常相似，但这里使用的是uvicorn服务器，它是ASGI的实现。此外，没有路由任何端点，而是直接使用装饰器创建它们，这更有意义。这里的函数简单地接受进一步所需的参数，消除了调用请求对象的需要。
现在来到了有趣的部分。要访问自动生成的文档，请访问端点/docs，将看到Swagger UI，它允许测试API端点，并且可以作为用户测试端点的示例：
FastAPI还捆绑了另一个文档生成器，即ReDoc，它也生成了所有端点列出的美丽文档。可以通过访问端点/redoc来访问它：
要设置数据验证，可以简单地创建一个从Pydantic的base-model继承的数据类型类。它是一个提供使用Python类型注释的数据验证的库。可以添加实体的描述，并提供自定义示例以在文档中显示。
ML FastAPI示例
想分享一个使用FastAPI部署ML决策树分类器模型的示例。这个问题的陈述是一个音乐流派分类器，根据音乐的技术方面，如节奏、活力，音乐要么是摇滚要么是嘻哈。制作了一个音乐类来验证传递给模型的数据，如下所示：
from pydantic import BaseModel
class Music(BaseModel):
acousticness: float
danceability: float
energy: float
instrumentalness: float
liveness: float
speechiness: float
tempo: float
valence: float
这是结果API：
如果想查看整个代码，请前往这个GitHub仓库。
性能比较：FastAPI vs. Flask
1. 速度：FastAPI通常比Flask快。这是因为它使用异步代码，允许它同时处理请求。另一方面，Flask是一个传统的同步框架。速度差异可能相当显著，特别是对于有许多并发请求的应用程序。然而，Flask有时可以更快，特别是当使用Greenlet驱动的WSGI服务器时。
2. 类型注释：FastAPI利用类型注释来提高性能和提供更好的类型安全性。这意味着框架可以自动推断使用的数据类型，这可以优化代码执行。Flask默认不使用类型注释。
3. 异步与同步：FastAPI是建立在异步基础之上的，可以同时处理多个请求。这使得它非常适合构建API和微服务。Flask主要是一个同步框架，这意味着它一次只能处理一个请求。然而，可以通过使用asyncio等扩展使Flask变得异步。
4. 基准测试：基准测试表明，FastAPI在许多情况下可以比Flask快得多。然而，具体性能差异将取决于应用程序的类型、使用的Web服务器和其他因素。
经过所有这些讨论，问题仍然没有答案，谁赢了？根据所有因素，建议采用FastAPI而不是Flask。它非常容易设置，将旧的Flask项目迁移到这个不会花费太多时间，异步、WebSocket和自动文档生成功能是锦上添花。
可以选择Flask框架来设置整个Web界面（前端和后端），但就ML而言，主要目标是检查模型是否在生产环境中工作，创建API更有意义，因为其他事情可以由其他开发团队管理，并且要清楚地向他们解释开发的程序的使用方法，FastAPI自动文档是一个很好的解决方案。
Q1. Flask或FastAPI对ML更好吗？这取决于需求。Flask是成熟的，而FastAPI在性能和自动数据验证方面表现出色，非常适合ML应用。