算法/机理模型演示平台搭建（二）—— 算法接口部署（FastApi）
-
- 1. 项目结构
- 2. 构建 Docker 镜像
- 3. 运行 Docker 容器
- 4. 访问 API 文档
- 5. 调用 API
1. 项目结构
app
app/algorithms
app/models
Dockerfile
FROM python:3.9-slim
WORKDIR /code
COPY ./requirements.txt /code/requirements.txt
RUN pip install --no-cache-dir --upgrade pip
RUN pip install --no-cache-dir -r requirements.txt
COPY ./app /code/app
EXPOSE 8000
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]
源码地址：https://download.csdn.net/download/qq_37128840/90949457
2. 构建 Docker 镜像
在包含 Dockerfile 的项目根目录下，运行以下命令构建镜像：
docker build -t industrial-algorithms-api .
3. 运行 Docker 容器
构建成功后，运行以下命令启动容器：
docker run -d --name industrial-algo-container -p 8000:8000 industrial-algorithms-api
-d: 在后台运行容器。--name industrial-algo-container: 为容器指定一个名称。-p 8000:8000: 将主机的 8000 端口映射到容器的 8000 端口。
4. 访问 API 文档
容器运行后，在浏览器中访问 http://localhost:8000/docs (或 http://<你的Docker主机IP>:8000/docs，如果 Docker 不在本地运行)。
你将看到由 FastAPI 自动生成的交互式 API 文档 (Swagger UI)，其中列出了所有可用的算法端点、所需的输入参数（请求体）和预期的输出格式（响应体）。
5. 调用 API
你可以使用 API 文档页面直接发送请求来测试各个算法，或者使用 curl、Postman 或其他编程语言（如 Python 的 requests 库）向以下端点发送 POST 或 GET 请求：
/algorithms/linear_regression(POST)/algorithms/logistic_regression(POST)/algorithms/decision_tree(POST)/algorithms/svm(POST)/algorithms/knn(POST)/algorithms/kmeans(POST)/algorithms/apriori(POST)/algorithms/cnn_summary(POST) - 获取 CNN 模型摘要/algorithms/fea_explanation(GET) - 获取 FEA 说明/algorithms/meshing_explanation(GET) - 获取 Meshing 说明/algorithms/genetic_algorithm(POST)/algorithms/aco_tsp(POST)/algorithms/pso(POST)/algorithms/interpolation(POST)/algorithms/pid_control(POST)/algorithms/kalman_filter(POST)/algorithms/fft_analysis(POST)/algorithms/naive_bayes(POST) - 新增/algorithms/random_forest(POST) - 新增/algorithms/gradient_boosting(POST) - 新增/algorithms/pca(POST) - 新增/algorithms/svd(POST) - 新增/algorithms/autoencoder(POST) - 新增/algorithms/rnn_lstm(POST) - 新增/algorithms/reinforcement_learning_concept(GET) - 新增/algorithms/anomaly_detection(POST) - 新增/algorithms/fuzzy_logic_concept(GET) - 新增/algorithms/monte_carlo(POST) - 新增/algorithms/simulated_annealing(POST) - 新增/algorithms/bayesian_optimization_concept(GET) - 新增/algorithms/gmm(POST) - 新增/algorithms/arima(POST) - 新增/algorithms/discrete_event_simulation(POST) - 新增/algorithms/agent_based_modeling(POST) - 新增/algorithms/system_dynamics(POST) - 新增
请求体示例:
下面是每个 POST 端点所需请求体的示例 JSON 数据。
请注意，对于 genetic_algorithm 和 pso，API 目前使用固定的示例函数进行优化，请求体主要用于调整算法参数。
对于新增的模拟算法 (DES, ABM, SD)，API 实现也是概念性的简化模拟。
/algorithms/linear_regression{ "x_train": [1, 2, 3, 4, 5], "y_train": [2, 4, 5, 4, 5], "x_predict": [6, 7, 8], "learning_rate": 0.01, "epochs": 1000 }
-
/algorithms/logistic_regression{ "x_train": [1, 2, 3, 6, 7, 8], "y_train": [0, 0, 0, 1, 1, 1], "x_predict": [4, 5], "learning_rate": 0.05, "epochs": 2000, "threshold": 0.5 } -
/algorithms/decision_tree{ "X_train": [ [1, 1], [1, 0], [0, 1], [0, 0], [1, 1], [0, 1] ], "y_train": [1, 1, 0, 0, 1, 0], "X_predict": [ [1, 0], [0, 0] ], "max_depth": 2 } -
/algorithms/svm{ "X_train": [ [1, 2], [2, 3], [3, 3], [6, 5], [7, 8], [8, 6] ], "y_train": [1, 1, 1, -1, -1, -1], "X_predict": [ [2, 2], [7, 7] ], "learning_rate": 0.001, "epochs": 5000<
