Sensei Machine Learning Apêndice do guia de API

As seções a seguir fornecem informações de referência para vários recursos da API Sensei Machine Learning.

Parâmetros de consulta para recuperação de ativos

A API Sensei Machine Learning fornece suporte para parâmetros de consulta com a recuperação de ativos. Os parâmetros de consulta disponíveis e seus usos estão descritos na tabela a seguir:

Parâmetro de consulta Descrição Valor padrão
start Indica o índice inicial para paginação. start=0
limit Indica o número máximo de resultados a serem retornados. limit=25
orderby Indica as propriedades a serem usadas para classificação em ordem de prioridade. Inclua um traço (-) antes de um nome de propriedade para classificar em ordem decrescente; caso contrário, os resultados são classificados em ordem crescente. orderby=created
property Indica a expressão de comparação que um objeto deve atender para ser retornado. property=deleted==false
OBSERVAÇÃO

Ao combinar vários parâmetros de consulta, eles devem ser separados por "E" comercial (&).

Configurações Python CPU e GPU

Os Mecanismos de Python têm a capacidade de escolher entre uma CPU ou uma GPU para seus propósitos de treinamento ou pontuação, e são definidos em MLIntent como uma especificação de tarefa (tasks.specification).

A seguir, um exemplo de configuração que especifica o uso de uma CPU para treinamento e uma GPU para pontuação:

[
    {
        "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"
        }
    }
]
OBSERVAÇÃO

Os valores de cpus e gpus não significam o número de CPUs ou GPUs, mas sim o número de máquinas físicas. Esses valores são permitidos "1" e, caso contrário, lançarão uma exceção.

Configurações de recursos PySpark e Spark

Os Mecanismos Spark têm a capacidade de modificar recursos tecnológicos para fins de treinamento e pontuação. Esses recursos estão descritos na tabela a seguir:

Recurso Descrição Tipo
driverMemory Memória para driver em megabytes int
driverCores Número de núcleos usados pelo driver int
executorMemory Memória para executor em megabytes int
executorCores Número de núcleos usados pelo executor int
numExecutors Número de executores int

Os recursos podem ser especificados em uma MLInposition como (A) treinamento individual ou parâmetros de pontuação, ou (B) em um objeto de especificações adicionais (specification). Por exemplo, as seguintes configurações de recursos são as mesmas para treinamento e pontuação:

[
    {
        "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
        }
    }
]

Nesta página