使用Sensei Machine Learning API匯入封裝的配方

本教學課程使用Sensei Machine Learning API來建立Engine，也稱為使用者介面中的方式。

開始使用之前，請務必注意，Adobe Experience Platform Data Science Workspace使用不同的術語來參照API和UI中的類似元素。本教學課程中使用API詞語，下表概述相關詞語：

UI詞語	API期限
配方	引擎
模型	MLInstance
培訓與評估	實驗
服務	MLService

引擎包含機器學習演算法和邏輯，以解決特定問題。下圖顯示Data Science Workspace中的API工作流程。本教學課程著重於建立引擎，即機器學習模型的大腦。

快速入門

本教學課程需要以Docker URL格式封裝的配方檔案。按照將源檔案打包到Recipe教程，建立打包的Recipe檔案或提供您自己的檔案。

{DOCKER_URL}:智慧服務的Docker影像的URL位址。

本教學課程要求您完成 Authentication to Adobe Experience Platform tutorial，才能成功呼叫Platform API。完成驗證教學課程後，所有Experience Platform API呼叫中每個所需標題的值都會顯示在下面：

{ACCESS_TOKEN}:驗證後提供的您特定的載體Token值。
{IMS_ORG}:您的IMS組織認證可在您獨特的Adobe Experience Platform整合中找到。
{API_KEY}:您獨特的Adobe Experience Platform整合中提供您的特定API金鑰價值。

建立引擎

對/engines端點發出POST請求可以建立引擎。所建立的引擎是根據封裝的方式檔案的格式來設定，該檔案必須包含在API要求中。

使用Docker URL建立引擎

若要建立具有儲存在Docker容器中之封裝配方檔案的引擎，您必須為封裝配方檔案提供Docker URL。

注意

如果您使用Python或R，請使用下列請求。如果您使用PySpark或Scala，請使用位於Python/R範例下方的PySpark/Scala請求範例。

API格式

POST /engines

請求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"
                }
            }
        }
    }'

屬性	說明
`engine.name`	引擎的所需名稱。與此引擎對應的配方將繼承此值，該值將作為配方的名稱顯示在Data Science Workspace用戶介面中。
`engine.description`	引擎的選用說明。與此引擎對應的配方將繼承此值，該值將作為配方的說明顯示在Data Science Workspace用戶介面中。請勿移除此屬性，如果您選擇不提供說明，請讓此值為空字串。
`engine.type`	引擎的執行類型。此值與Docker影像開發所用的語言相對應。當提供Docker URL來建立引擎時，`type`是`Python`、`R`、`PySpark`、`Spark`(Scala)或`Tensorflow`。
`artifacts.default.image.location`	您的`{DOCKER_URL}`將移至此處。完整的Docker URL具有下列結構：`your_docker_host.azurecr.io/docker_image_file:version`
`artifacts.default.image.name`	Docker映像檔案的附加名稱。請勿移除此屬性，如果您選擇不提供其他Docker影像檔名，請讓此值為空字串。
`artifacts.default.image.executionType`	此引擎的執行類型。此值與Docker影像開發所用的語言相對應。當提供Docker URL來建立引擎時，`executionType`是`Python`、`R`、`PySpark`、`Spark`(Scala)或`Tensorflow`。

要求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"
            }
        }
    }
}'

屬性	說明
`name`	引擎的所需名稱。與此引擎對應的配方將繼承此值，並以配方名稱顯示在UI中。
`description`	引擎的選用說明。與此引擎對應的方式將繼承此值，並以方式說明的形式顯示在UI中。此為必要屬性。如果您不想提供說明，請將其值設為空字串。
`type`	引擎的執行類型。此值對應於Docker影像建立在"PySpark"上的語言。
`mlLibrary`	建立PySpark和Scala配方引擎時所需的欄位。
`artifacts.default.image.location`	由Docker URL連結到的Docker映像的位置。
`artifacts.default.image.executionType`	引擎的執行類型。此值與Docker影像建立在"Spark"上的語言相對應。

請求標準

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"
            }
        }
    }
}'

屬性	說明
`name`	引擎的所需名稱。與此引擎對應的配方將繼承此值，並以配方名稱顯示在UI中。
`description`	引擎的選用說明。與此引擎對應的方式將繼承此值，並以方式說明的形式顯示在UI中。此為必要屬性。如果您不想提供說明，請將其值設為空字串。
`type`	引擎的執行類型。此值與Docker影像建立在"Spark"上的語言相對應。
`mlLibrary`	建立PySpark和Scala配方引擎時所需的欄位。
`artifacts.default.image.location`	由Docker URL連結到的Docker映像的位置。
`artifacts.default.image.executionType`	引擎的執行類型。此值與Docker影像建立在"Spark"上的語言相對應。

回應

成功的回應會傳回包含新建立之引擎之詳細資料（包括其唯一識別碼）的裝載。 id以下是Python引擎的範例回應。 executionType和type鍵根據提供的開機自檢而改變。

{
    "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"
            }
        }
    }
}

成功的回應會顯示JSON裝載，內含有關新建引擎的資訊。 id鍵代表唯一的引擎識別碼，是下一個教學課程中建立MLInstance的必要項。請確定引擎識別碼已儲存，然後再繼續後續步驟。