Paketera källfiler i ett recept

I den här självstudiekursen finns anvisningar om hur du kan paketera de angivna källfilerna för butiksförsäljning i en arkivfil, som kan användas för att skapa ett recept i Adobe Experience Platform Data Science Workspace genom att följa arbetsflödet för receptimport antingen i användargränssnittet eller med API:t.

Koncept att förstå:

  • Recept: Ett recept är en AdobeTerm för en modellspecifikation och är en behållare på den översta nivån som representerar en specifik maskininlärning, artificiell intelligensalgoritm eller ensemble för algoritmer, bearbetningslogik och konfiguration som krävs för att skapa och köra en tränad modell och därmed hjälpa till att lösa specifika affärsproblem.
  • Source-filer: Enskilda filer i ditt projekt som innehåller logiken för ett recept.

Förhandskrav

Recipe creation

Recipe-skapandet börjar med att paketera källfiler för att skapa en arkivfil. Source-filer definierar den maskininlärningslogik och de algoritmer som används för att lösa ett specifikt problem och skrivs antingen i Python, R, PySpark eller Scala. De inbyggda arkivfilerna har formen av en Docker-bild. När den packade arkivfilen har skapats importeras den till Data Science Workspace för att skapa ett recept i användargränssnitteteller med API:t.

Skapa modeller med Docker docker-based-model-authoring

Med en Docker-bild kan utvecklare paketera ett program med alla delar som behövs, till exempel bibliotek och andra beroenden, och skicka ut det som ett paket.

Den inbyggda Docker-avbildningen överförs till Azure Container Registry med hjälp av autentiseringsuppgifter som du får när du skapar recept.

Logga in på Adobe Experience Platform om du vill få dina autentiseringsuppgifter för Azure Container Registry. Navigera till Workflows i den vänstra navigeringskolumnen. Välj Import Recipe följt av att välja Launch. Se skärmbilden nedan för referens.

Sidan Configure öppnas. Ange en lämplig Recipe Name, t.ex."Retail Sales recept", och ange en beskrivning- eller dokumentations-URL om du vill. Klicka på Next när du är klar.

Välj lämplig körningsmiljö och välj sedan Classification som typ. Dina autentiseringsuppgifter för Azure Container-registret genereras när de är klara.

NOTE
Type är den klass av maskininlärningsproblem som receptet är avsett för och används efter utbildning för att skräddarsy eller utvärdera kursen.
TIP
  • För Python recept väljer du Python-miljön.
  • För R-recept väljer du R-miljön.
  • För PySpark-recept väljer du PySpark-miljön. En artefakttyp fylls i automatiskt.
  • För Scala-recept väljer du Spark-miljön. En artefakttyp fylls i automatiskt.

Observera värdena för Docker-värd, användarnamn och lösenord. Dessa används för att skapa och överföra din Docker-image i de arbetsflöden som beskrivs nedan.

NOTE
Source-URL:en anges när du har utfört stegen som beskrivs nedan. Konfigurationsfilen förklaras i efterföljande självstudiekurser i nästa steg.

Paketera källfilerna

Börja med att hämta exempelkodbasen som finns i databasen Experience Platform Data Science Workspace Reference.

Skapa Python-dockningsbild python-docker

Om du inte har gjort det klonar du GitHub-databasen på din lokala dator med följande kommando:

git clone https://github.com/adobe/experience-platform-dsw-reference.git

Navigera till katalogen experience-platform-dsw-reference/recipes/python/retail. Här hittar du skripten login.sh och build.sh som används för att logga in på Docker och för att skapa Python Docker-avbildningen. Om du har dina Docker-inloggningsuppgifter klara anger du följande kommandon i ordning:

# for logging in to Docker
./login.sh

# for building Docker image
./build.sh

Observera att när du kör inloggningsskriptet måste du ange Docker-värden, användarnamn och lösenord. När du bygger måste du ange Docker-värden och en versionstagg för bygget.

När byggskriptet är klart får du en URL för Docker-källfilen i konsolutdata. I det här exemplet ser det ut ungefär så här:

# URL format:
{DOCKER_HOST}/ml-retailsales-python:{VERSION_TAG}

Kopiera den här URL:en och gå vidare till nästa steg.

Bygg R Docker-bild r-docker

Om du inte har gjort det klonar du GitHub-databasen på din lokala dator med följande kommando:

git clone https://github.com/adobe/experience-platform-dsw-reference.git

Navigera till katalogen experience-platform-dsw-reference/recipes/R/Retail - GradientBoosting i din klonade databas. Här hittar du filerna login.sh och build.sh som du använder för att logga in på Docker och för att skapa R Docker-avbildningen. Om du har dina Docker-inloggningsuppgifter klara anger du följande kommandon i ordning:

# for logging in to Docker
./login.sh

# for build Docker image
./build.sh

Observera att när du kör inloggningsskriptet måste du ange Docker-värden, användarnamn och lösenord. När du bygger måste du ange Docker-värden och en versionstagg för bygget.

När byggskriptet är klart får du en URL för Docker-källfilen i konsolutdata. I det här exemplet ser det ut ungefär så här:

# URL format:
{DOCKER_HOST}/ml-retail-r:{VERSION_TAG}

Kopiera den här URL:en och gå vidare till nästa steg.

Skapa PySpark Docker-bild pyspark-docker

Börja med att klona databasen GitHub på din lokala dator med följande kommando:

git clone https://github.com/adobe/experience-platform-dsw-reference.git

Navigera till katalogen experience-platform-dsw-reference/recipes/pyspark/retail. Skripten login.sh och build.sh finns här och används för att logga in på Docker och för att skapa Docker-avbildningen. Om du har dina Docker-inloggningsuppgifter klara anger du följande kommandon i ordning:

# for logging in to Docker
./login.sh

# for building Docker image
./build.sh

Observera att när du kör inloggningsskriptet måste du ange Docker-värden, användarnamn och lösenord. När du bygger måste du ange Docker-värden och en versionstagg för bygget.

När byggskriptet är klart får du en URL för Docker-källfilen i konsolutdata. I det här exemplet ser det ut ungefär så här:

# URL format:
{DOCKER_HOST}/ml-retailsales-pyspark:{VERSION_TAG}

Kopiera den här URL:en och gå vidare till nästa steg.

Bygg Scala Docker-bild scala-docker

Börja med att klona GitHub-databasen på din lokala dator med följande kommando i terminalen:

git clone https://github.com/adobe/experience-platform-dsw-reference.git

Gå sedan till katalogen experience-platform-dsw-reference/recipes/scala där du kan hitta skripten login.sh och build.sh. Dessa skript används för att logga in på Docker och skapa Docker-bilden. Om du har dina Docker-inloggningsuppgifter klara anger du följande kommandon som du vill avsluta i ordning:

# for logging in to Docker
./login.sh

# for building Docker image
./build.sh
TIP
Om du får ett behörighetsfel när du försöker logga in på Docker med skriptet login.sh kan du försöka med kommandot bash login.sh.

När du kör inloggningsskriptet måste du ange Docker-värden, användarnamn och lösenord. När du bygger måste du ange Docker-värden och en versionstagg för bygget.

När byggskriptet är klart får du en URL för Docker-källfilen i konsolutdata. I det här exemplet ser det ut ungefär så här:

# URL format:
{DOCKER_HOST}/ml-retailsales-spark:{VERSION_TAG}

Kopiera den här URL:en och gå vidare till nästa steg.

Nästa steg next-steps

Den här självstudien gick över till att paketera källfiler i en recept, vilket är det nödvändiga steget för att importera en recept till Data Science Workspace. Du bör nu ha en Docker-avbildning i Azure Container Registry tillsammans med motsvarande bild-URL. Nu kan du börja med självstudiekursen om hur du importerar ett paketerat recept till Data Science Workspace. Välj en av självstudielänkarna nedan för att komma igång:

recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9