使用Sensei Machine Learning API训练和评估模型

本教程将向您介绍如何使用API调用创建、培训和评估模型。 有关API文档的详细列表,请参阅此文档

先决条件

按照使用API导入打包的菜谱以创建引擎,该引擎是使用API培训和评估模型所必需的。

请按照Experience PlatformAPI身份验证教程开始进行API调用。

在教程中,您现在应具有以下值:

  • {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。

  • 链接到智能服务的Docker图像

API工作流程

我们将使用API创建用于培训的实验运行。 在本教程中,我们将重点介绍引擎、MLI实例和实验端点。 下图概述了这三者之间的关系,并介绍了“运行”(Run)和“模型”(Model)的概念。

注意

术语“Engine”、“MLInstance”、“MLService”、“Emperice”和“Model”在UI中称为不同术语。 如果您来自UI,下表将映射差异。

UI术语 API术语
菜谱 引擎
模型 MLInstance
培训运行 实验
服务 MLService

创建MLInstance

可以使用以下请求创建MLInstance。 您将使用从使用API教程导入打包的菜谱中创建引擎时返回的{ENGINE_ID}

请求

curl -X POST \
  https://platform.adobe.io/data/sensei/mlInstances \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=mlInstance.v1.json' \
  -H 'x-api-key: {API_KEY}' \
  -H 'x-gw-ims-org-id: {IMS_ORG}' \
  -d `{JSON_PAYLOAD}`

{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。
{JSON_PAYLOAD}:MLInstance的配置。我们在教程中使用的示例如下:

{
    "name": "Retail - Instance",
    "description": "Instance for ML Instance",
    "engineId": "{ENGINE_ID}",
    "createdBy": {
        "displayName": "John Doe",
        "userId": "johnd"
    },
    "tags": {
        "purpose": "tutorial"
    },
    "tasks": [
        {
            "name": "train",
            "parameters": [
                {
                    "key": "numFeatures",
                    "value": "10"
                },
                {
                    "key": "maxIter",
                    "value": "2"
                },
                {
                    "key": "regParam",
                    "value": "0.15"
                },
                {
                    "key": "trainingDataLocation",
                    "value": "sample_training_data.csv"
                }
            ]
        },
        {
            "name": "score",
            "parameters": [
                {
                    "key": "scoringDataLocation",
                    "value": "sample_scoring_data.csv"
                },
                {
                    "key": "scoringResultsLocation",
                    "value": "scoring_results.net"
                }
            ]
        }
    ]
}
注意

{JSON_PAYLOAD}中,我们定义用于tasks数组中培训和评分的参数。 {ENGINE_ID}是要使用的引擎的ID,tag字段是用于标识实例的可选参数。

该响应包含表示所创建的MLInstance的{INSTANCE_ID}。 可以创建具有不同配置的多模型MLI实例。

响应

{
    "id": "{INSTANCE_ID}",
    "name": "Retail - Instance",
    "description": "Instance for ML Instance",
    "engineId": "{ENGINE_ID}",
    "created": "2018-21-21T11:11:11.111Z",
    "createdBy": {
        "displayName": "John Doe",
        "userId": "johnd"
    },
    "updated": "2018-21-01T11:11:11.111Z",
    "deleted": false,
    "tags": {
        "purpose": "tutorial"
    },
    "tasks": [
        {
            "name": "train",
            "parameters": [...]
        },
        {
            "name": "score",
            "parameters": [...]
        }
    ]
}

{ENGINE_ID}:此ID表示创建MLInstance的引擎。
{INSTANCE_ID}:表示MLInstance的ID。

创建实验

数据科学家在训练时使用实验来获得高性能模型。 多个实验包括更改数据集、功能、学习参数和硬件。 以下是创建实验的示例。

请求

curl -X POST \
  https://platform.adobe.io/data/sensei/experiments \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experiment.v1.json' \
  -H 'x-gw-ims-org-id: {IMS_ORG}' \
  -H 'x-api-key: {API_KEY' \
  -d `{JSON PAYLOAD}`

{IMS_ORG}:您的IMS组织凭据位于您独特的Adobe Experience Platform集成中。
{ACCESS_TOKEN}:身份验证后提供的特定载体令牌值。
{API_KEY}:您独特的Adobe Experience Platform集成中可找到您的特定API密钥值。
{JSON_PAYLOAD}:尝试创建的对象。我们在教程中使用的示例如下:

{
    "name": "Experiment for Retail ",
    "mlInstanceId": "{INSTANCE_ID}",
    "tags": {
        "test": "guide"
    }
}

{INSTANCE_ID}:表示MLInstance的ID。

“实验”创建的响应如下所示。

响应

{
    "id": "{EXPERIMENT_ID}",
    "name": "Experiment for Retail",
    "mlInstanceId": "{INSTANCE_ID}",
    "created": "2018-01-01T11:11:11.111Z",
    "updated": "2018-01-01T11:11:11.111Z",
    "deleted": false,
    "tags": {
        "test": "guide"
    }
}

{EXPERIMENT_ID}:表示您刚刚创建的实验的ID。{INSTANCE_ID}:表示MLInstance的ID。

为培训创建计划实验

使用计划实验,这样我们就无需通过API调用创建每个单一实验运行。 相反,我们在创建实验时提供所有必需参数,每次运行都将定期创建。

要指示计划实验的创建,必须在请求正文中添加template部分。 在template中,计划运行的所有必需参数都包括在内,如tasks(指示什么操作)和schedule(指示计划运行的时间)。

请求

curl -X POST \
  https://platform.adobe.io/data/sensei/experiments \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experiment.v1.json' \
  -H 'x-gw-ims-org-id: {IMS_ORG}' \
  -H 'x-api-key: {API_KEY}' \
  -d '{JSON_PAYLOAD}`

{IMS_ORG}:您的IMS组织凭据位于您独特的Adobe Experience Platform集成中。
{ACCESS_TOKEN}:身份验证后提供的特定载体令牌值。
{API_KEY}:您独特的Adobe Experience Platform集成中可找到您的特定API密钥值。
{JSON_PAYLOAD}:要发布的数据集。我们在教程中使用的示例如下:

{
    "name": "Experiment for Retail",
    "mlInstanceId": "{INSTANCE_ID}",
    "template": {
        "tasks": [{
            "name": "train",
            "parameters": [
                   {
                        "value": "1000",
                        "key": "numFeatures"
                    }
            ],
            "specification": {
                "type": "SparkTaskSpec",
                "executorCores": 5,
                "numExecutors": 5
            }
        }],
        "schedule": {
            "cron": "*/20 * * * *",
            "startTime": "2018-11-11",
            "endTime": "2019-11-11"
        }
    }
}

当我们创建Emperity时,body {JSON_PAYLOAD}应包含mlInstanceIdmlInstanceQuery参数。 在此示例中,计划实验将每20分钟调用一次运行,该运行在cron参数中设置,从startTime开始,直到endTime

响应

{
    "id": "{EXPERIMENT_ID}",
    "name": "Experiment for Retail",
    "mlInstanceId": "{INSTANCE_ID}",
    "created": "2018-11-11T11:11:11.111Z",
    "updated": "2018-11-11T11:11:11.111Z",
    "deleted": false,
    "workflowId": "endid123_0379bc0b_8f7e_4706_bcd9_1a2s3d4f5g_abcdf",
    "template": {
        "tasks": [
            {
                "name": "train",
                "parameters": [...],
                "specification": {
                    "type": "SparkTaskSpec",
                    "executorCores": 5,
                    "numExecutors": 5
                }
            }
        ],
        "schedule": {
            "cron": "*/20 * * * *",
            "startTime": "2018-07-04",
            "endTime": "2018-07-06"
        }
    }
}

{EXPERIMENT_ID}:表示实验的ID。
{INSTANCE_ID}:表示MLInstance的ID。

创建培训的实验运行

创建Emperiet实体后,可以使用下面的调用创建并运行培训运行。 您需要{EXPERIMENT_ID}并在请求主体中声明要触发的mode内容。

请求

curl -X POST \
  https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experimentRun.v1.json' \
  -H 'x-gw-ims-org-id: {IMS_ORG}' \
  -H 'x-api-key: {API_KEY}' \
  -d '{JSON_PAYLOAD}'

{EXPERIMENT_ID}:与要目标的实验对应的ID。这可以在创建实验时的响应中找到。
{IMS_ORG}:您的IMS组织凭据位于您独特的Adobe Experience Platform集成中。
{ACCESS_TOKEN}:身份验证后提供的特定载体令牌值。
{API_KEY}:您独特的Adobe Experience Platform集成中可找到您的特定API密钥值。
{JSON_PAYLOAD}:要创建培训运行,您必须在正文中包含以下内容:

{
    "mode":"Train"
}

您还可以通过包含tasks数组覆盖配置参数:

{
   "mode":"Train",
   "tasks": [
        {
           "name": "train",
           "parameters": [
                {
                   "key": "numFeatures",
                   "value": "2"
                }
            ]
        }
    ]
}

您将收到以下响应,通知您{EXPERIMENT_RUN_ID}tasks下的配置。

响应

{
    "id": "{EXPERIMENT_RUN_ID}",
    "mode": "train",
    "experimentId": "{EXPERIMENT_ID}",
    "created": "2018-01-01T11:11:11.903Z",
    "updated": "2018-01-01T11:11:11.903Z",
    "deleted": false,
    "tasks": [
        {
            "name": "Train",
            "parameters": [...]
        }
    ]
}

{EXPERIMENT_RUN_ID}:表示“实验运行”的ID。
{EXPERIMENT_ID}:表示“实验运行”所在实验的ID。

检索实验运行状态

可以使用{EXPERIMENT_RUN_ID}查询实验运行的状态。

请求

curl -X GET \
  https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs/{EXPERIMENT_RUN_ID}/status \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'x-gw-ims-org-id: {IMS_ORG}' \
  -H 'x-api-key: {API_KEY}'

{EXPERIMENT_ID}:表示实验的ID。
{EXPERIMENT_RUN_ID}:表示“实验运行”的ID。
{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。

响应

GET调用将提供state参数中的状态,如下所示:

{
    "id": "{EXPERIMENT_ID}",
    "name": "RunStatus for experimentRunId {EXPERIMENT_RUN_ID}",
    "experimentRunId": "{EXPERIMENT_RUN_ID}",
    "deleted": false,
    "status": {
        "tasks": [
            {
                "id": "{MODEL_ID}",
                "state": "DONE",
                "tasklogs": [
                    {
                        "name": "execution",
                        "url": "https://mlbaprod1sapwd7jzid.file.core.windows.net/..."
                    },
                    {
                        "name": "stderr",
                        "url": "https://mlbaprod1sapwd7jzid.file.core.windows.net/..."
                    },
                    {
                        "name": "stdout",
                        "url": "https://mlbaprod1sapwd7jzid.file.core.windows.net/..."
                    }
                ]
            }
        ]
    }
}

{EXPERIMENT_RUN_ID}:表示“实验运行”的ID。
{EXPERIMENT_ID}:表示“实验运行”所在实验的ID。

除了DONE状态之外,其他状态还包括:

  • PENDING
  • RUNNING
  • FAILED

要获取详细信息,可以在tasklogs参数下找到详细日志。

检索已训练的模型

为了在培训期间创建上述培训模型,我们提出以下请求:

请求

curl -X GET \
  'https://platform.adobe.io/data/sensei/models/?property=experimentRunId=={EXPERIMENT_RUN_ID}' \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'x-gw-ims-org-id: {IMS_ORG}'

{EXPERIMENT_RUN_ID}:与要目标的“实验运行”对应的ID。这可以在创建“实验运行”时的响应中找到。
{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。

响应表示已创建的训练模型。

响应

{
    "children": [
        {
            "id": "{MODEL_ID}",
            "name": "Tutorial trained Model",
            "experimentId": "{EXPERIMENT_ID}",
            "experimentRunId": "{EXPERIMENT_RUN_ID}",
            "description": "trained model for ID",
            "modelArtifactUri": "wasb://test-models@mlpreprodstorage.blob.core.windows.net/{MODEL_ID}",
            "created": "2018-01-01T11:11:11.011Z",
            "updated": "2018-01-01T11:11:11.011Z",
            "deleted": false
        }
    ],
    "_page": {
        "property": "ExperimentRunId=={EXPERIMENT_RUN_ID},deleted!=true",
        "count": 1
    }
}

{MODEL_ID}:与“模型”(Model)对应的ID。
{EXPERIMENT_ID}:与“实验运行”对应的ID在下。
{EXPERIMENT_RUN_ID}:与“Experience Run”对应的ID。

停止和删除计划的实验

如果您希望在计划实验endTime之前停止执行该实验,则可以通过查询对{EXPERIMENT_ID}的DELETE请求来完成此操作

请求

curl -X DELETE \
  'https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}' \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'x-gw-ims-org-id: {IMS_ORG}'

{EXPERIMENT_ID}:与实验对应的ID。
{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。

注意

API调用将禁用创建新实验运行。 但是,它不会停止执行已在运行的Emperity Runs。

以下是响应,通知已成功删除实验。

响应

{
    "title": "Success",
    "status": 200,
    "detail": "Experiment successfully deleted"
}

后续步骤

本教程讲述了如何使用API创建引擎、实验、计划实验运行和培训的模型。 在下一个练习中,您将使用表现最佳的训练模型对新数据集进行评分,从而进行预测。

在此页面上