即時機器學習節點參考(Alpha)

節點是圖形形成的基礎單元。 每個節點都執行特定任務，並且可以使用連結將它們連結在一起，以形成表示ML管線的圖形。 由節點執行的任務表示對輸入資料的操作，如資料或模式的轉換或機器學習推理。 節點將變換或推斷的值輸出到下一個節點。

以下指南概述即時機器學習支援的節點程式庫。

發現要在ML管線中使用的節點

將以下代碼複製到Python筆記本中，以查看所有可用節點。

from pprint import pprint
 
from rtml_nodelibs.core.nodefactory import NodeFactory as nf

# Discover Nodes
pprint(nf.discover_nodes())

範例回應

{'FieldOps': 'rtml_nodelibs.nodes.standard.preprocessing.fieldops.FieldOps',
 'FieldTrans': 'rtml_nodelibs.nodes.standard.preprocessing.fieldtrans.FieldTrans',
 'ModelUpload': 'rtml_nodelibs.nodes.standard.ml.artifact_utils.ModelUpload',
 'ONNXNode': 'rtml_nodelibs.nodes.standard.ml.onnx.ONNXNode',
 'Pandas': 'rtml_nodelibs.nodes.standard.preprocessing.pandasnode.Pandas',
 'Processor': 'rtml_nodelibs.nodes.standard.preprocessing.processor.Processor',
 'Receiver': 'rtml_nodelibs.nodes.standard.preprocessing.receiver.Receiver',
 'ScikitLearn': 'rtml_nodelibs.nodes.standard.ml.scikitlearn.ScikitLearn',
 'Simulator': 'rtml_nodelibs.nodes.standard.preprocessing.simulator.Simulator',
 'Split': 'rtml_nodelibs.nodes.standard.preprocessing.splitter.Split'}

標準節點

標準節點建立在開放源碼資料科學庫之上，如Pactices和ScikitLearn。

ModelUpload

ModelUpload節點是內部Adobe節點，它採用model_path，並將模型從本地模型路徑上載到Real-time Machine Learning Blob儲存。

model = ModelUpload(params={'model_path': model_path})
  
msg_model = model.process(None, 1)
  
model_id = msg_model.model['model_id']

ONNode

ONNXode是內部Adobe節點，它使用模型ID提取預先訓練的ONNX模型，並使用它對傳入資料進行分數。

node_model_score = ONNXNode(params={"features": ['browser', 'device', 'login_page', 'product_page', 'search_page'], "model_id": model_id})

熊貓

下面的熊貓節點，可以匯入任何pd.DataFrame方法或任何普通熊貓的頂層功能。 要進一步瞭解熊貓方法，請訪問熊貓方法文檔。 有關頂級函式的更多資訊，請訪問Apcots API參考指南，以瞭解一般函式。

以下節點使用"import": "map"將方法名稱作為字串導入參數中，然後將參數作為映射函式輸入。 以下範例使用{"arg": {"Desktop": 1, "Mobile": 0}, "na_action": 0}執行此動作。 在對應到位後，您可以選擇將inplace設為True或False。 根據是否要就地應用轉換，將inplace設定為True或False。 預設情況下，"inplace": False會建立新列。 對提供新欄名稱的支援已設定為在後續版本中新增。 最後一行cols可以是單列名稱或列清單。 指定要應用轉換的列。 在此示例中指定device。

#  df["device"] = df["device"].map({"Desktop":1, "Mobile":0}, na_action=0)
 
node_device_apply = Pandas(params={"import": "map",
    "kwargs": {"arg": {"Desktop": 1, "Mobile": 0}, "na_action": 0},
    "inplace": True,
    "cols": "device"})
 
 
# df["browser"] = df["browser"].map({"chrome": 1, "firefox": 0}, "na_action": 0})
 
node_browser_apply = Pandas(params={"import": "map",
    "kwargs": {"arg": {"chrome": 1, "firefox": 0}, "na_action": 0},
    "inplace": True,
    "cols": "browser"})

ScikitLearn

ScikitLearn節點可讓您匯入任何ScikitLearn ML模型或縮放器。 請使用下表，以取得範例中任何值的詳細資訊：

model_train = ScikitLearn(params={
    "features":['browser', 'device', 'login_page', 'product_page', 'search_page'],
    "label": "payment_confirm",
    "mode": "train",
    "model_path": "resources/model.onnx",
    "params": {
        "model": "sklearn.linear_model.LogisticRegression",
        "model_params": {"solver" : 'lbfgs'}
    }})
msg6 = model_train.process(msg5)

Split

使用以下節點將資料幀拆分為列並通過傳遞train_size或test_size進行測試。 這會傳回具有多索引的資料幀。 您可以使用以下示例msg5.data.xs(“train”)訪問訓練和測試資料幀。

splitter = Split(params={"train_size": 0.7})
msg5 = splitter.process(msg4)

後續步驟

下一步是建立節點，以用於即時機器學習模型的計分。 如需詳細資訊，請造訪即時機器學習筆記型電腦使用指南。