Sensei Machine Learning Apêndice do guia API

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

Parâmetros de query para recuperação de ativos

A API Sensei Machine Learning fornece suporte para parâmetros de query com a recuperação de ativos. Os parâmetros de query 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 na 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 satisfazer para ser retornado.	`property=deleted==false`

OBSERVAÇÃO

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

Configurações de CPU Python e GPU

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

A seguir está 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 computacionais 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
executeMemory	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 MLIntent como (A) parâmetros individuais de treinamento ou 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
        }
    }
]