Show Menu
TÓPICOS×

Apêndice

As seções a seguir fornecem informações de referência para vários recursos da API Sensei Machine Learning.

Parâmetros de Query para recuperação de ativos

A API Sensei Machine Learning fornece suporte para parâmetros de query com a recuperação de ativos. Os parâmetros de query disponíveis e seus usos estão descritos na tabela a seguir:
Parâmetro de consulta
Descrição
Valor padrão
start
Indica o índice inicial para paginação.
start=0
limit
Indica o número máximo de resultados a serem retornados.
limit=25
orderby
Indica as propriedades a serem usadas para classificação na ordem de prioridade. Inclua um traço ( - ) antes de um nome de propriedade para classificar em ordem decrescente; caso contrário, os resultados são classificados em ordem crescente.
orderby=created
property
Indica a expressão de comparação que um objeto deve satisfazer para ser retornado.
property=deleted==false
Ao combinar vários parâmetros de query, eles devem ser separados por e-mails ( & ).

Configurações de CPU Python e GPU

Os mecanismos Python têm a capacidade de escolher entre uma CPU ou uma GPU para seus propósitos de treinamento ou pontuação, e são definidos em uma MLInposition como uma especificação de tarefa ( tasks.specification ).
A seguir está um exemplo de configuração que especifica o uso de uma CPU para treinamento e uma GPU para pontuação:
[
    {
        "name": "train",
        "parameters": [
            {
                "key": "training parameter",
                "value": "parameter value"
            }    
        ],
        "specification": {
            "type": "ContainerTaskSpec",
            "cpus": "1"
        }
    },
    {
        "name": "score",
        "parameters": [
            {
                "key": "scoring parameter",
                "value": "parameter value" 
            }
        ],
        "specification": {
            "type": "ContainerTaskSpec",
            "gpus": "1"
        }
    }
]

Os valores de cpus e gpus não significam o número de CPUs ou GPUs, mas sim o número de máquinas físicas. Esses valores são permitidos "1" e, caso contrário, lançarão uma exceção.

Configurações de recursos PySpark e Spark

Os mecanismos PySpark e Spark têm a capacidade de modificar os recursos tecnológicos para fins de treinamento e pontuação, esses recursos estão descritos na tabela a seguir:
Recurso
Descrição
Tipo
driverMemory
Memória para driver em megabytes
int
driverCores
Número de núcleos usados pelo driver
int
executeMemory
Memória para executor em megabytes
int
executorCores
Número de núcleos usados pelo executor
int
numExecutors
Número de executores
int
Os recursos podem ser especificados em uma instância MLI como (A) treinamento individual ou parâmetros de pontuação, ou (B) dentro de um objeto de especificação adicional ( specification ). Por exemplo, as seguintes configurações de recursos são as mesmas para treinamento e pontuação:
[
    {
        "name": "train",
        "parameters": [
            {
                "key": "driverMemory",
                "value": "2048"
            },
            {
                "key": "driverCores",
                "value": "1"
            },
            {
                "key": "executorMemory",
                "value": "2048"
            },
            {
                "key": "executorCores",
                "value": "2"
            },
            {
                "key": "numExecutors",
                "value": "3"
            }
        ]
    },
    {
        "name": "score",
        "parameters": [
            {
                "key": "scoring parameter",
                "value": "parameter value"
            }
        ],
        "specification": {
            "type": "SparkTaskSpec",
            "name": "Spark Task name",
            "className": "Class name",
            "driverMemoryInMB": 2048,
            "driverCores": 1,
            "executorMemoryInMB": 2048,
            "executorCores": 2,
            "numExecutors": 3
        }
    }
]