DokumentationExperience PlatformHandbuch zum Datenwissenschafts-Arbeitsbereich

Anhang zum API-Handbuch Sensei Machine Learning

Last update: Tue Jul 16 2024 00:00:00 GMT+0000 (Coordinated Universal Time)

Erstellt für:

  • Entwickler

Die folgenden Abschnitte enthalten Referenzinformationen zu verschiedenen Funktionen der Sensei Machine Learning -API.

Abfrageparameter für den Asset-Abruf query

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
NOTE
Beim Kombinieren mehrerer Abfrageparameter müssen diese durch kaufmännische Und-Zeichen (&) getrennt werden.

Python-CPU- und GPU-Konfigurationen cpu-gpu-config

Python Engines haben die Möglichkeit, für Trainings- oder Scoring-Zwecke entweder zwischen einer CPU oder einer GPU zu wählen und wird in einer 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"
        }
    }
]
NOTE
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.

PySpark- und Spark-Ressourcenkonfigurationen resource-config

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
        }
    }
]
recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9