引擎端点

引擎是数据科学工作区中机器学习模型的基础。它们包含解决特定问题的机器学习算法、用于执行特征工程的特征管道，或同时包含这两种算法。

查找您的Docker注册表

小贴士

如果您没有Docker URL，请访问将源文件打包到菜谱教程，以了解有关创建Docker主机URL的分步演练。

您需要Docker注册证书才能上传打包的Recipe文件，包括Docker主机URL、用户名和密码。您可以执行以下GET请求来查找此信息：

API格式

GET /engines/dockerRegistry

请求

curl -X GET https://platform.adobe.io/data/sensei/engines/dockerRegistry \
    -H 'Authorization: Bearer {ACCESS_TOKEN}' \
    -H 'x-api-key: {API_KEY}' \
    -H 'x-gw-ims-org-id: {IMS_ORG}' \
    -H 'x-sandbox-name: {SANDBOX_NAME}'

响应

成功的响应会返回一个有效负载，其中包含您的Docker注册表的详细信息，包括Docker URL(host)、用户名(username)和密码(password)。

注意

每次更新{ACCESS_TOKEN}时，Docker密码都会更改。

{
    "host": "docker_host.azurecr.io",
    "username": "00000000-0000-0000-0000-000000000000",
    "password": "password"
}

使用Docker URL创建引擎

您可以通过执行POST请求来创建引擎，同时提供其元数据和引用多部分表单中Docker图像的Docker URL。

API格式

POST /engines

请求Python/R

curl -X POST \
    https://platform.adobe.io/data/sensei/engines \
    -H 'Authorization: Bearer {ACCESS_TOKEN}' \
    -H 'x-api-key: {API_KEY}' \
    -H 'x-gw-ims-org-id: {IMS_ORG}' \
    -H 'x-sandbox-name: {SANDBOX_NAME}' \
    -H 'content-type: multipart/form-data' \
    -F 'engine={
        "name": "A name for this Engine",
        "description": "A description for this Engine",
        "type": "Python",
        "algorithm": "Classification",
        "artifacts": {
            "default": {
                "image": {
                    "location": "v1rsvj32smc4wbs.azurecr.io/ml-featurepipeline-pyspark:1.0",
                    "name": "An additional name for the Docker image",
                    "executionType": "Python"
                }
            }
        }
    }'

属性	描述
`name`	引擎的所需名称。与此引擎对应的处方将继承此值，并在UI中作为处方的名称显示。
`description`	引擎的可选说明。与此引擎对应的处方将继承此值，以在UI中显示作为处方的说明。此属性是必需的。如果不想提供说明，请将其值设置为空字符串。
`type`	引擎的执行类型。此值与Docker图像所基于的语言相对应，可以是“Python”、“R”或“Tensorflow”。
`algorithm`	一个字符串，它指定机器学习算法的类型。支持的算法类型包括“分类”、“回归”或“自定义”。
`artifacts.default.image.location`	由Docker URL链接到的Docker图像的位置。
`artifacts.default.image.executionType`	引擎的执行类型。此值与Docker图像所基于的语言相对应，可以是“Python”、“R”或“Tensorflow”。

请求PySpark/Scala

请求PySpark菜谱时，executionType和type为“PySpark”。请求Scala菜谱时，executionType和type为“Spark”。以下Scala菜谱示例使用Spark:

curl -X POST \
  https://platform.adobe.io/data/sensei/engines \
    -H 'Authorization: Bearer {ACCESS_TOKEN}' \
    -H 'x-api-key: {API_KEY}' \
    -H 'x-gw-ims-org-id: {IMS_ORG}' \
    -H 'x-sandbox-name: {SANDBOX_NAME}' \
    -H 'content-type: multipart/form-data' \
    -F 'engine={
    "name": "Spark retail sales recipe",
    "description": "A description for this Engine",
    "type": "Spark",
    "mlLibrary":"databricks-spark",
    "artifacts": {
        "default": {
            "image": {
                "name": "modelspark",
                "executionType": "Spark",
                "packagingType": "docker",
                "location": "v1d2cs4mimnlttw.azurecr.io/sarunbatchtest:0.0.1"
            }
        }
    }
}'

属性	描述
`name`	引擎的所需名称。与此引擎对应的处方将继承此值，并在UI中作为处方的名称显示。
`description`	引擎的可选说明。与此引擎对应的处方将继承此值，以在UI中显示作为处方的说明。此属性是必需的。如果不想提供说明，请将其值设置为空字符串。
`type`	引擎的执行类型。此值与构建Docker图像时所使用的语言相对应。此值可以设置为Spark或PySpark。
`mlLibrary`	为PySpark和Scala菜谱创建引擎时所需的字段。此字段必须设置为`databricks-spark`。
`artifacts.default.image.location`	Docker图像的位置。仅支持Azure ACR或Public（未验证）Dockerhub。
`artifacts.default.image.executionType`	引擎的执行类型。此值与构建Docker图像时所使用的语言相对应。这可以是“Spark”或“PySpark”。

响应

成功的响应返回一个包含新创建引擎的详细信息(包括其唯一标识符(id))的有效负荷。以下示例响应针对Python引擎。所有引擎响应都采用以下格式：

{
    "id": "22f4166f-85ba-4130-a995-a2b8e1edde32",
    "name": "A name for this Engine",
    "description": "A description for this Engine",
    "type": "Python",
    "algorithm": "Classification",
    "created": "2019-01-01T00:00:00.000Z",
    "createdBy": {
        "userId": "Jane_Doe@AdobeID"
    },
    "updated": "2019-01-01T00:00:00.000Z",
    "artifacts": {
        "default": {
            "image": {
                "location": "v1rsvj32smc4wbs.azurecr.io/ml-featurepipeline-pyspark:1.0",
                "name": "An additional name for the Docker image",
                "executionType": "Python",
                "packagingType": "docker"
            }
        }
    }
}

使用Docker URL创建功能管线引擎

您可以通过执行POST请求来创建功能管道引擎，同时提供其元数据和引用Docker图像的Docker URL。

API格式

POST /engines

请求

curl -X POST \
 https://platform.adobe.io/data/sensei/engines \
    -H 'Authorization: Bearer ' \
    -H 'x-gw-ims-org-id: 20655D0F5B9875B20A495E23@AdobeOrg' \
    -H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=engine.v1.json' \
    -H 'x-api-key: acp_foundation_machineLearning' \
    -H 'Content-Type: text/plain' \
    -F '{
    "type": "PySpark",
    "algorithm":"fp",
    "name": "Feature_Pipeline_Engine",
    "description": "Feature_Pipeline_Engine",
    "mlLibrary": "databricks-spark",
    "artifacts": {
       "default": {
           "image": {
                "location": "v7d1cs2mimnlttw.azurecr.io/ml-featurepipeline-pyspark:0.2.1",
                "name": "datatransformation",
                "executionType": "PySpark",
                "packagingType": "docker"
            },
           "defaultMLInstanceConfigs": [ ...
           ]
       }
   }
}'

属性	描述
`type`	引擎的执行类型。此值与构建Docker图像时所使用的语言相对应。此值可以设置为Spark或PySpark。
`algorithm`	使用的算法，将此值设置为`fp`（功能管道）。
`name`	特征管线引擎的所需名称。与此引擎对应的处方将继承此值，并在UI中作为处方的名称显示。
`description`	引擎的可选说明。与此引擎对应的处方将继承此值，以在UI中显示作为处方的说明。此属性是必需的。如果不想提供说明，请将其值设置为空字符串。
`mlLibrary`	为PySpark和Scala菜谱创建引擎时所需的字段。此字段必须设置为`databricks-spark`。
`artifacts.default.image.location`	Docker图像的位置。仅支持Azure ACR或Public（未验证）Dockerhub。
`artifacts.default.image.executionType`	引擎的执行类型。此值与构建Docker图像时所使用的语言相对应。这可以是“Spark”或“PySpark”。
`artifacts.default.image.packagingType`	引擎的打包类型。此值应设置为`docker`。
`artifacts.default.defaultMLInstanceConfigs`	您的`pipeline.json`配置文件参数。

响应

成功的响应返回一个包含新创建的功能管道引擎详细信息(包括其唯一标识符(id))的有效负荷。以下示例响应针对PySpark功能管线引擎。

{
    "id": "88236891-4309-4fd9-acd0-3de7827cecd1",
    "name": "Feature_Pipeline_Engine",
    "description": "Feature_Pipeline_Engine",
    "type": "PySpark",
    "algorithm": "fp",
    "mlLibrary": "databricks-spark",
    "created": "2020-04-24T20:46:58.382Z",
    "updated": "2020-04-24T20:46:58.382Z",
    "deprecated": false,
    "artifacts": {
        "default": {
            "image": {
                "location": "v7d1cs3mimnlttw.azurecr.io/ml-featurepipeline-pyspark:0.2.1",
                "name": "datatransformation",
                "executionType": "PySpark",
                "packagingType": "docker"
            },
        "defaultMLInstanceConfigs": [ ... ]
        }
    }
}

检索引擎列表

您可以通过执行单个列表请求来检索引擎GET。要帮助筛选结果，您可以在请求路径中指定查询参数。有关可用查询的列表，请参阅资产检索查询参数的附录部分。

API格式

GET /engines
GET /engines?parameter_1=value_1
GET /engines?parameter_1=value_1&parameter_2=value_2

请求

curl -X GET \
    https://platform.adobe.io/data/sensei/engines \
    -H 'Authorization: Bearer {ACCESS_TOKEN}' \
    -H 'x-api-key: {API_KEY}' \
    -H 'x-gw-ims-org-id: {IMS_ORG}' \
    -H 'x-sandbox-name: {SANDBOX_NAME}'

响应

成功的响应会返回引擎及其详细信息的列表。

{
    "children": [
        {
            "id": "22f4166f-85ba-4130-a995-a2b8e1edde31",
            "name": "A name for this Engine",
            "description": "A description for this Engine",
            "type": "PySpark",
            "algorithm": "Classification",
            "created": "2019-01-01T00:00:00.000Z",
            "createdBy": {
                "userId": "Jane_Doe@AdobeID"
            },
            "updated": "2019-01-01T00:00:00.000Z"
        },
        {
            "id": "22f4166f-85ba-4130-a995-a2b8e1edde32",
            "name": "A name for this Engine",
            "description": "A description for this Engine",
            "type": "Python",
            "algorithm": "Classification",
            "created": "2019-01-01T00:00:00.000Z",
            "createdBy": {
                "userId": "Jane_Doe@AdobeID"
            },
            "updated": "2019-01-01T00:00:00.000Z"
        },
        {
            "id": "22f4166f-85ba-4130-a995-a2b8e1edde33",
            "name": "Feature Pipeline Engine",
            "description": "A feature pipeline Engine",
            "type": "PySpark",
            "algorithm":"fp",
            "created": "2019-01-01T00:00:00.000Z",
            "createdBy": {
                "userId": "Jane_Doe@AdobeID"
            },
            "updated": "2019-01-01T00:00:00.000Z"
        }
    ],
    "_page": {
        "property": "deleted==false",
        "totalCount": 100,
        "count": 3
    }
}

检索特定引擎

您可以通过执行在请求路径中包含所需引擎ID的GET请求来检索特定引擎的详细信息。

API格式

GET /engines/{ENGINE_ID}

参数	描述
`{ENGINE_ID}`	现有引擎的ID。

请求

curl -X GET \
    https://platform.adobe.io/data/sensei/engines/22f4166f-85ba-4130-a995-a2b8e1edde32 \
    -H 'Authorization: Bearer {ACCESS_TOKEN}' \
    -H 'x-api-key: {API_KEY}' \
    -H 'x-gw-ims-org-id: {IMS_ORG}' \
    -H 'x-sandbox-name: {SANDBOX_NAME}'

响应

成功的响应返回包含所需引擎详细信息的有效负荷。

{
    "id": "22f4166f-85ba-4130-a995-a2b8e1edde32",
    "name": "A name for this Engine",
    "description": "A description for this Engine",
    "type": "PySpark",
    "algorithm": "Classification",
    "created": "2019-01-01T00:00:00.000Z",
    "createdBy": {
        "userId": "Jane_Doe@AdobeID"
    },
    "updated": "2019-01-01T00:00:00.000Z",
    "artifacts": {
        "default": {
            "image": {
                "location": "v7d1cs2mimnlttw.azurecr.io/ml-featurepipeline-pyspark:0.2.1",
                "name": "file.egg",
                "executionType": "PySpark",
                "packagingType": "docker"
            }
        }
    }
}

更新引擎

您可以通过以下方式修改和更新现有引擎：通过在请求路径中包含目标引擎ID的PUT请求覆盖其属性，并提供包含已更新属性的JSON有效负荷。

注意

为确保此PUT请求成功，建议您首先通过ID🔗执行GET请求以检索引擎。然后，修改并更新返回的JSON对象，并应用修改后的JSON对象的整个作为PUT请求的有效负荷。

以下示例API调用将在最初具有这些属性时更新引擎的名称和说明：

{
    "name": "A name for this Engine",
    "description": "A description for this Engine",
    "type": "Python",
    "algorithm": "Classification",
    "artifacts": {
        "default": {
            "image": {
                "executionType": "Python",
                "packagingType": "docker"
            }
        }
    }
}

API格式

PUT /engines/{ENGINE_ID}

参数	描述
`{ENGINE_ID}`	现有引擎的ID。

请求

curl -X PUT \
    https://platform.adobe.io/data/sensei/engines/22f4166f-85ba-4130-a995-a2b8e1edde32 \
    -H 'Authorization: Bearer {ACCESS_TOKEN}' \
    -H 'x-api-key: {API_KEY}' \
    -H 'x-gw-ims-org-id: {IMS_ORG}' \
    -H 'x-sandbox-name: {SANDBOX_NAME}' \
    -H 'content-type: application/vnd.adobe.platform.sensei+json;profile=engine.v1.json' \
    -d '{
        "name": "An updated name for this Engine",
        "description": "An updated description",
        "type": "Python",
        "algorithm": "Classification",
        "artifacts": {
            "default": {
                "image": {
                    "executionType": "Python",
                    "packagingType": "docker"
                }
            }
        }
    }'

响应

成功的响应会返回包含引擎更新的详细信息的有效负荷。

{
    "id": "22f4166f-85ba-4130-a995-a2b8e1edde32",
    "name": "An updated name for this Engine",
    "description": "An updated description",
    "type": "Python",
    "algorithm": "Classification",
    "created": "2019-01-01T00:00:00.000Z",
    "createdBy": {
        "displayName": "Jane Doe",
        "userId": "Jane_Doe@AdobeID"
    },
    "updated": "2019-01-02T00:00:00.000Z",
    "artifacts": {
        "default": {
            "image": {
                "executionType": "Python",
                "packagingType": "docker"
            }
        }
    }
}

删除引擎

您可以通过执行DELETE请求，同时在请求路径中指定目标引擎的ID来删除引擎。删除引擎将级联删除引用该引擎的所有MLI实例，包括属于这些MLI实例的任何Experiences和Experience运行。

API格式

DELETE /engines/{ENGINE_ID}

参数	描述
`{ENGINE_ID}`	现有引擎的ID。

请求

curl -X DELETE \
    https://platform.adobe.io/data/sensei/engines/22f4166f-85ba-4130-a995-a2b8e1edde32 \
    -H 'Authorization: Bearer {ACCESS_TOKEN}' \
    -H 'x-api-key: {API_KEY}' \
    -H 'x-gw-ims-org-id: {IMS_ORG}' \
    -H 'x-sandbox-name: {SANDBOX_NAME}'

响应

{
    "title": "Success",
    "status": 200,
    "detail": "Engine deletion was successful"
}

adobe.com 上的资源

Multichannel Communication Targeted Content Managed Cloud Content As A Service Lookalike Modeling Predictive Analytics

新增和改进的搜索

引擎端点

查找您的Docker注册表

使用Docker URL创建引擎

使用Docker URL创建功能管线引擎

检索引擎列表

检索特定引擎

更新引擎

删除引擎

adobe.com 上的资源

在此页面上

查看下一个：

学习

文档

社区

技术支持

资源

Adobe 帐户

Adobe