使用Sensei Machine Learning API导入打包菜谱

本教程使用Sensei Machine Learning API创建Engine，在用户界面中也称为“菜谱”。

在入门之前，请务必注意，Adobe Experience Platform Data Science Workspace使用不同术语来引用API和UI中的类似元素。 本教程中使用了API术语，下表概述了相关术语：

引擎包含机器学习算法和逻辑，用于解决特定问题。 下图提供了一个可视化，显示Data Science Workspace中的API工作流。 本教程侧重于创建引擎，即机器学习模型的大脑。

入门指南

本教程需要以Docker URL形式打包的菜谱文件。 请按照将源文件打包到Recipe教程，创建打包的Recipe文件或提供您自己的文件。

• {DOCKER_URL}:智能服务的Docker映像的URL地址。

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

• {ACCESS_TOKEN}:身份验证后提供的特定载体令牌值。
• {IMS_ORG}:您的IMS组织凭据位于您独特的Adobe Experience Platform集成中。
• {API_KEY}:您独特的Adobe Experience Platform集成中可找到您的特定API密钥值。

创建引擎

可以通过向/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。

创建一个Docker URL的引擎

要创建具有存储在Docker容器中的打包处方文件的引擎，您必须为打包的处方文件提供Docker URL。

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: {IMS_ORG}' \
    -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"
                }
            }
        }
    }' 

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: {IMS_ORG}' \
    -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"
            }
        }
    }
}'

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: {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"
            }
        }
    }
}'

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。 executionType和type键会根据提供的POST而改变。

{
    "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"
            }
        }
    }
}

成功的响应会显示包含有关新创建引擎的信息的JSON有效负荷。 id键表示唯一的引擎标识符，在下一个教程中需要该键来创建MLInstance。 在继续执行后续步骤之前，请确保保存引擎标识符。

后续步骤

您已使用API创建了一个引擎，并且作为响应体的一部分获得了唯一的引擎标识符。 在下一个教程中，您可以使用此引擎标识符来学习如何使用API🔗创建、培训和评估模型。