Die folgenden Abschnitte enthalten Referenzinformationen zu verschiedenen Funktionen der Sensei Machine Learning-API.
Die API Sensei Machine Learning unterstützt Abfrageparameter beim Abrufen von Assets. Die verfügbaren Abfrageparameter und ihre Verwendung werden in der folgenden Tabelle beschrieben:
Abfrageparameter | Beschreibung | Standardwert |
---|---|---|
start |
Gibt den Startindex für die Paginierung an. | start=0 |
limit |
Gibt die maximale Anzahl der zurückzugebenden Ergebnisse an. | limit=25 |
orderby |
Gibt die Eigenschaften an, die für die Sortierung in Prioritätsreihenfolge verwendet werden sollen. Fügen Sie vor dem Eigenschaftsnamen einen Bindestrich (-) ein, der in absteigender Reihenfolge sortiert werden soll. Andernfalls werden die Ergebnisse in aufsteigender Reihenfolge sortiert. | orderby=created |
property |
Gibt den Vergleichsausdruck an, den ein Objekt erfüllen muss, damit es zurückgegeben werden kann. | property=deleted==false |
Beim Kombinieren mehrerer Abfrageparameter müssen diese durch kaufmännische Und-Zeichen (&) getrennt werden.
Python Engines haben die Möglichkeit, für Trainings- oder Scoring-Zwecke entweder eine CPU oder eine GPU auszuwählen. Sie wird für eine MLInstance als Aufgabenspezifikation (tasks.specification
) definiert.
Im Folgenden finden Sie eine Beispielkonfiguration, die angibt, wie eine CPU für Schulungen und eine GPU für Scoring verwendet wird:
[
{
"name": "train",
"parameters": [
{
"key": "training parameter",
"value": "parameter value"
}
],
"specification": {
"type": "ContainerTaskSpec",
"cpus": "1"
}
},
{
"name": "score",
"parameters": [
{
"key": "scoring parameter",
"value": "parameter value"
}
],
"specification": {
"type": "ContainerTaskSpec",
"gpus": "1"
}
}
]
Die Werte von cpus
und gpus
geben nicht die Anzahl der CPUs oder GPUs an, sondern die Anzahl der physischen Computer. Diese Werte sind möglicherweise "1"
und geben andernfalls eine Ausnahme aus.
Spark Engines haben die Möglichkeit, Rechenressourcen für Trainings- und Scoring-Zwecke zu ändern. Diese Ressourcen werden in der folgenden Tabelle beschrieben:
Ressource | Beschreibung | Typ |
---|---|---|
driverMemory | Speicher für Treiber in Megabyte | int |
driverCores | Anzahl der vom Fahrer verwendeten Kerne | int |
executorMemory | Speicher für Executor in Megabyte | int |
executorCores | Anzahl der vom Executor verwendeten Kerne | int |
numExecutors | Anzahl der Executor | int |
Ressourcen können in einer MLInstance entweder als (A) individuelle Trainings- oder Scoring-Parameter oder (B) als zusätzliches Spezifikations-Objekt (specification
) angegeben werden. Beispielsweise sind die folgenden Ressourcenkonfigurationen für Training und Scoring identisch:
[
{
"name": "train",
"parameters": [
{
"key": "driverMemory",
"value": "2048"
},
{
"key": "driverCores",
"value": "1"
},
{
"key": "executorMemory",
"value": "2048"
},
{
"key": "executorCores",
"value": "2"
},
{
"key": "numExecutors",
"value": "3"
}
]
},
{
"name": "score",
"parameters": [
{
"key": "scoring parameter",
"value": "parameter value"
}
],
"specification": {
"type": "SparkTaskSpec",
"name": "Spark Task name",
"className": "Class name",
"driverMemoryInMB": 2048,
"driverCores": 1,
"executorMemoryInMB": 2048,
"executorCores": 2,
"numExecutors": 3
}
}
]