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

app

app/algorithms

app/models

Dockerfile

FROM python:3.9-slimWORKDIR /codeCOPY ./requirements.txt /code/requirements.txtRUN pip install --no-cache-dir --upgrade pip
RUN pip install --no-cache-dir -r requirements.txtCOPY ./app /code/appEXPOSE 8000CMD ["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。

1. /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
   }
   

2. /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
   }
   

3. /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
   }
   

4. /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<