使用Sensei机器学习API导入打包的方法

本教程使用 Sensei Machine Learning API 创建 引擎,在用户界面中也称为方法。

在开始之前,请务必注意,Adobe Experience Platform Data Science Workspace 使用不同的术语来指代API和UI中的类似元素。 本教程中将使用API术语,下表概述了相关术语:

UI术语 API术语
方法 引擎
模型 MLInstance
培训和评价 实验
服务 MLService

引擎包含机器学习算法和逻辑以解决特定问题。 下图提供了一个可视化图表,其中显示了 Data Science Workspace. 本教程重点介绍如何创建引擎,即机器学习模型的大脑。

快速入门

本教程需要以Docker URL形式打包的方法文件。 关注 将源文件打包到方法中 教程创建打包的方法文件或提供您自己的方法文件。

  • {DOCKER_URL}:智能服务的Docker图像的URL地址。

本教程要求您完成 Adobe Experience Platform身份验证教程 以便成功调用 Platform API。 完成身份验证教程将为所有中每个所需标头提供值 Experience Platform API调用,如下所示:

  • {ACCESS_TOKEN}:身份验证后提供的特定载体令牌值。
  • {ORG_ID}:您的IMS组织凭据可在独特的Adobe Experience Platform集成中找到。
  • {API_KEY}:您在独特的Adobe Experience Platform集成中找到的特定API密钥值。

创建引擎

可通过向/engines端点发出POST请求来创建引擎。 创建的引擎基于打包的处方文件的形式进行配置,该文件必须作为API请求的一部分包含在内。

使用Docker URL创建引擎

要创建引擎,并将打包的处方文件存储在Docker容器中,您必须向打包的处方文件提供Docker URL。

注意

如果您使用 Python 或者使用下面的请求。 如果您使用PySpark或Scala,请使用位于Python/R示例下方的PySpark/Scala请求示例。

API格式

POST /engines

请求Python/R

curl -X POST \
    https://platform.adobe.io/data/sensei/engines \
    -H 'Authorization: {ACCESS_TOKEN}' \
    -H 'X-API-KEY: {API_KEY}' \
    -H 'content-type: multipart/form-data' \
    -H 'x-gw-ims-org-id: {ORG_ID}' \
    -H `x-sandbox-name: {SANDBOX_NAME}` \
    -F 'engine={
        "name": "Retail Sales Engine Python",
        "description": "A description for Retail Sales Engine, this Engines execution type is Python",
        "type": "Python"
        "artifacts": {
            "default": {
                "image": {
                    "location": "{DOCKER_URL}",
                    "name": "retail_sales_python",
                    "executionType": "Python"
                }
            }
        }
    }'
属性 描述
engine.name 引擎的所需名称。 与此引擎对应的处方将继承此值,该值将显示在 Data Science Workspace 用户界面作为方法的名称。
engine.description 引擎的可选描述。 与此引擎对应的处方将继承此值,该值将显示在 Data Science Workspace 用户界面。 请勿删除此属性,如果您选择不提供描述,则允许此值为空字符串。
engine.type 引擎的执行类型。 此值对应于在中开发Docker图像的语言。 提供Docker URL以创建引擎时, typePython, R, PySpark, Spark (Scala)或 Tensorflow.
artifacts.default.image.location 您的 {DOCKER_URL} 到这里。 完整的Docker URL具有以下结构: your_docker_host.azurecr.io/docker_image_file:version
artifacts.default.image.name Docker图像文件的附加名称。 请勿删除此属性,如果您选择不提供附加的Docker图像文件名,则允许此值为空字符串。
artifacts.default.image.executionType 此引擎的执行类型。 此值对应于在中开发Docker图像的语言。 提供Docker URL以创建引擎时, executionTypePython, R, PySpark, Spark (Scala)或 Tensorflow.

请求PySpark

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: {ORG_ID}' \
    -H 'x-sandbox-name: {SANDBOX_NAME}' \
    -H 'content-type: multipart/form-data' \
    -F 'engine={
    "name": "PySpark retail sales recipe",
    "description": "A description for this Engine",
    "type": "PySpark",
    "mlLibrary":"databricks-spark",
    "artifacts": {
        "default": {
            "image": {
                "name": "modelspark",
                "executionType": "PySpark",
                "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,该值将作为处方的名称显示在UI中。
description 引擎的可选描述。 与此引擎对应的处方将继承此值,该值将作为处方的说明显示在UI中。 此属性是必需的。如果不想提供描述,请将其值设置为空字符串。
type 引擎的执行类型。 此值对应于在“PySpark”上构建Docker图像的语言。
mlLibrary 为PySpark和Scala配方创建引擎时所需的字段。
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。 此值对应于在“Spark”上构建Docker图像的语言。

请求Scala

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: {ORG_ID}' \
    -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,该值将作为处方的名称显示在UI中。
description 引擎的可选描述。 与此引擎对应的处方将继承此值,该值将作为处方的说明显示在UI中。 此属性是必需的。如果不想提供描述,请将其值设置为空字符串。
type 引擎的执行类型。 此值对应于在“Spark”上构建Docker图像的语言。
mlLibrary 为PySpark和Scala配方创建引擎时所需的字段。
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。 此值对应于在“Spark”上构建Docker图像的语言。

响应

成功响应会返回一个有效负载,其中包含新创建引擎的详细信息,包括其唯一标识符(id)。 以下示例响应针对 Python 引擎。 的 executionTypetype 键值会根据提供的POST而发生更改。

{
    "id": "{ENGINE_ID}",
    "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": "{DOCKER_URL}",
                "name": "An additional name for the Docker image",
                "executionType": "Python",
                "packagingType": "docker"
            }
        }
    }
}

成功响应会显示包含有关新创建引擎的信息的JSON有效负载。 的 id 键表示唯一的引擎标识符,在下一个教程中需要此键才能创建MLInstance。 在继续执行后续步骤之前,请确保已保存引擎标识符。

后续步骤

您已使用API创建引擎,并且获取了作为响应主体一部分的唯一引擎标识符。 在下一个教程中,您可以在了解如何使用此引擎标识符 使用API创建、训练和评估模型.

在此页面上