在 FastAPI 中使用 Pydantic 模型进行基于模型的预测时出现错误“value is not a valid dict”

Question

我正在尝试将Pydantic模型与 FastAPI 结合使用来进行多项预测（对于输入列表）。 问题是不能将 Pydantic 模型直接传递给model.predict() function，因此我将其转换为字典，但是，出现以下错误：

AttributeError: 'list' object has no attribute 'dict'

我的代码：

from fastapi import FastAPI
import uvicorn
from pydantic import BaseModel
import pandas as pd
from typing import List

app = FastAPI()

class Inputs(BaseModel):
    id: int
    f1: float
    f2: float
    f3: str

class InputsList(BaseModel):
    inputs: List[Inputs]

@app.post('/predict')
def predict(input_list: InputsList):
    df = pd.DataFrame(input_list.inputs.dict())
    prediction = classifier.predict(df.loc[:, df.columns != 'id'])
    probability = classifier.predict_proba(df.loc[:, df.columns != 'id'])
    return {'id': df["id"].tolist(), 'prediction': prediction.tolist(), 'probability': probability.tolist()}

我的return也有问题，我需要 output 是这样的：

    [
      {
        "id": 123,
        "prediction": "class1",
        "probability": 0.89
      },
      {
        "id": 456,
        "prediction": "class3",
        "probability": 0.45
      }
    ]

PS： Inputs class 中的id不会出现在预测中（不是一个特征），但我需要它显示在它的预测旁边（以引用它）。

要求：

Answer 1

您对视图 function 的输入模式的定义与您发送的内容不匹配：

class Inputs(BaseModel):
    id: int
    f1: float
    f2: float
    f3: str

class InputsList(BaseModel):
    inputs: List[Inputs]

这与以下格式的请求正文相匹配：

{
  "inputs": [
    {
      "id": 1,
      "f1": 1.0,
      "f2": 1.0,
      "f3": "foo"
    }, {
      "id": 2,
      "f1": 2.0,
      "f2": 2.0,
      "f3": "bar"
    }
  ]
}

您发送的请求正文与预期格式不匹配，因此您会收到 422 响应。

要么更改您要发送的 object 以匹配 FastAPI 预期的格式，要么删除InputsList包装器并将输入设置为input_list: List[Inputs] 。

Answer 2

首先，在您的模式的f1和f2属性,末尾以及您发送的JSON有效负载中有不必要的逗号。 因此，您的模式应该是：

class Inputs(BaseModel):
    id: int
    f1: float
    f2: float
    f3: str

其次， 422错误是由于您发送的JSON负载与您的架构不匹配。 正如@MatsLindh 所指出的，您的JSON有效负载应如下所示：

{
  "inputs": [
    {
      "id": 1,
      "f1": 1.0,
      "f2": 1.0,
      "f3": "text"
    },
    {
      "id": 2,
      "f1": 2.0,
      "f2": 2.0,
      "f3": "text"
    }
  ]
}

第三，您正在以错误的方式创建 DataFrame。 您正在尝试调用list object 上的dict()方法； 因此， AttributeError: 'list' object has no attribute 'dict' 。 相反，如此处所示，您应该对list中的每个项目调用.dict()方法，如下所示：

df = pd.DataFrame([i.dict() for i in input_list.inputs])

最后，要返回问题中提到的 output 格式的结果，请使用以下内容。 注意predict_proba()返回一个列表数组，其中包含input的 class 个概率。 如果您只想返回特定 class 的probability ，请改用该 class 的索引，例如prob[0] 。

results = []
for (id, pred, prob) in zip(df["id"].tolist(), prediction.tolist(), probability.tolist()):
    results.append({"id": id, "prediction": pred, "probability": prob})
return results

或者，您可以使用 DataFrame 并调用其to_dict()方法将其转换为字典，如下所示。 如果您有大量数据并发现以下方法返回结果的速度很慢，请查看此答案以了解其他方法。

results = pd.DataFrame({'id': df["id"].tolist(),'prediction': prediction.tolist(),'probability': probability.tolist()})
return results.to_dict(orient="records") 

如果您想在使用 DataFrame 时仅返回特定 class 的probability ，您可以提取它并将其添加到新list ，例如prob_list = [item[0] for item in probability.tolist()]或使用operator.itemgetter()就像这样prob_list = list(map(itemgetter(0), probability.tolist())) ，并在创建 DataFrame 时使用该list 。