Show Menu
主题×

导入打包的菜谱(API)

本教程使用 Sensei Machine Learning API ,创建 Engine ,也称为用户界面中的Recipe。
在入门之前,请务必注意,Adobe Experience Platform Data Science Workspace使用不同的术语来引用API和UI中的类似元素。 本教程中使用API术语,下表概述了相关术语:
UI期限
API期限
菜谱
模型
培训和评估
服务
引擎包含机器学习算法和用于解决特定问题的逻辑。 下图提供了一个可视化,显示了Data Science Workspace中的API工作流程。 本教程侧重于创建引擎,即机器学习模型的大脑。

入门指南

本教程需要以二进制对象或Docker URL形式打包的Recipe文件。 按照“ 将源文件打包到菜谱”教程 ,创建打包的菜谱文件或提供您自己的菜谱文件。
  • 二进制伪像:二进制伪像(例如 JAR, EGG),用于创建引擎。
  • {DOCKER_URL} :智能服务的Docker图像的URL地址。
本教程要求您完成Adobe Experience Platform身份验证教程 ,以便成功调用平台API。 完成身份验证教程后,将为所有Experience Platform API调用中的每个所需标头提供值,如下所示:
  • {ACCESS_TOKEN} :身份验证后提供的特定承载令牌值。
  • {IMS_ORG} :您的IMS组织凭据可在独特的Adobe Experience Platform集成中找到。
  • {API_KEY} :您在独特的Adobe Experience Platform集成中可找到特定API密钥价值。

创建引擎

根据打包的菜谱文件的形式(将作为API请求的一部分),通过以下两种方法之一创建引擎:

创建具有二进制伪像的引擎

要使用本地打包或二进制对象创建引擎, .jar 您必须提供 .egg 本地文件系统中二进制对象文件的绝对路径。 请考虑导航到在终端环境中包含二进制对象的目录,然后对绝对路径执行 pwd Unix命令。
以下调用使用二进制对象创建引擎:

API格式

POST /engines

请求

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}' \
    -F 'engine={
        "name": "Retail Sales Engine PySpark",
        "description": "A description for Retail Sales Engine, this Engines execution type is PySpark",
        "type": "PySpark"
    }' \
    -F 'defaultArtifact=@path/to/binary/artifact/file/pysparkretailapp-0.1.0-py3.7.egg'

  • engine > name :引擎的所需名称。 与此引擎对应的菜谱将继承此值,该值将作为菜谱的名称显示在Data Science Workspace用户界面中。
  • engine > description :引擎的可选说明。 与此引擎对应的菜谱将继承此值,该值将作为菜谱的说明显示在Data Science Workspace用户界面中。 请勿删除此属性,如果您选择不提供说明,则让此值为空字符串。
  • engine > type :引擎的执行类型。 此值与在其中开发二进制伪像的语言相对应。
    上传二进制对象以创建引擎时, type Spark PySpark
  • defaultArtifact :用于创建引擎的二进制对象文件的绝对路径。
    确保在文 @ 件路径之前包含。

响应

{
    "id": "00000000-1111-2222-3333-abcdefghijkl",
    "name": "Retail Sales Engine PySpark",
    "description": "A description for Retail Sales Engine, this Engines execution type is PySpark",
    "type": "PySpark",
    "created": "2019-01-01T00:00:00.000Z",
    "createdBy": {
        "userId": "your_user_id@AdobeID"
    },
    "updated": "2019-01-01T00:00:00.000Z",
    "artifacts": {
        "default": {
            "image": {
                "location": "wasbs://some-storage-location.net/some-path/your-uploaded-binary-artifact.egg",
                "name": "pysparkretailapp-0.1.0-py3.7.egg",
                "executionType": "PySpark",
                "packagingType": "egg"
            }
        }
    }
}

成功的响应会显示包含有关新创建引擎的信息的JSON有效负荷。 该 id 键表示唯一的引擎标识符,在下一个教程中需要该键来创建MLI实例。 确保在继续执行后续步骤之前保存引擎 标识符

使用Docker URL创建引擎

要创建具有存储在Docker容器中的打包的Recipe文件的引擎,您必须为打包的Recipe文件提供Docker URL。
以下调用创建具有Docker URL的引擎:

API格式

POST /engines

请求

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}' \
    -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"
                }
            }
        }
    }' 

  • engine > name :引擎的所需名称。 与此引擎对应的菜谱将继承此值,该值将作为菜谱的名称显示在Data Science Workspace用户界面中。
  • engine > description :引擎的可选说明。 与此引擎对应的菜谱将继承此值,该值将作为菜谱的说明显示在Data Science Workspace用户界面中。 请勿删除此属性,如果您选择不提供说明,则让此值为空字符串。
  • engine > type :引擎的执行类型。 此值与开发Docker图像所用的语言相对应。
    提供Docker URL以创建引擎时, type Python R Tensorflow
  • artifacts > default > image > location :你 {DOCKER_URL} 来这。 完整的Docker URL具有以下结构:
    your_docker_host.azurecr.io/docker_image_file:version
    
    
  • artifacts > default > image > name :Docker图像文件的其他名称。 请勿删除此属性,如果您选择不提供其他Docker图像文件名,则让此值为空字符串。
  • artifacts > default > image > executionType :此引擎的执行类型。 此值与开发Docker图像所用的语言相对应。
    提供Docker URL以创建引擎时, executionType Python R Tensorflow

响应

{
    "id": "00000000-1111-2222-3333-abcdefghijkl",
    "name": "Retail Sales Engine Python",
    "description": "A description for Retail Sales Engine, this Engines execution type is Python",
    "type": "Python",
    "created": "2019-01-01T00:00:00.000Z",
    "createdBy": {
        "userId": "your_user_id@AdobeID"
    },
    "updated": "2019-01-01T00:00:00.000Z",
    "artifacts": {
        "default": {
            "image": {
                "location": "{DOCKER_URL}",
                "name": "retail_sales_python",
                "executionType": "Python",
                "packagingType": "docker"
            }
        }
    }
}

成功的响应会显示包含有关新创建引擎的信息的JSON有效负荷。 该 id 键表示唯一的引擎标识符,在下一个教程中需要该键来创建MLI实例。 确保在继续执行后续步骤之前保存引擎标识符。

后续步骤

您已使用API创建了引擎,并且作为响应体的一部分获得了唯一的引擎标识符。 在下一个教程中,您可以使用此引擎标识符,因为您将学习如 何使用API创建、培训和评估模型