使用将模型发布为服务 Sensei Machine Learning API
本教程介绍了使用将模型发布为服务的过程。 Sensei Machine Learning API.
快速入门
本教程要求您对Adobe Experience Platform数据科学工作区有一定的了解。 在开始本教程之前,请查看 数据科学工作区概述 了解该服务的高级介绍。
要遵循本教程,您必须具有现有的ML引擎、ML实例和试验。 有关如何在API中创建这些内容的步骤,请参阅关于的教程 导入包装的配方.
最后,在开始本教程之前,请查看 快速入门 部分,了解成功调用 Sensei Machine Learning API,包括本教程中使用的所需标头:
{ACCESS_TOKEN}
{ORG_ID}
{API_KEY}
所有POST、PUT和PATCH请求都需要额外的标头:
- Content-Type: application/json
关键术语
下表概述了本教程中使用的一些常用术语:
使用现有的训练实验运行和计划评分创建ML服务
将训练实验运行作为ML服务发布时,您可以通过提供评分实验运行的详细信息来计划评分,并运行POST请求的有效负载。 这将导致创建一个计划试验实体以进行评分。
API格式
POST /mlServices
请求
curl -X POST
https://platform.adobe.io/data/sensei/mlServices
-H 'Authorization: {ACCESS_TOKEN}'
-H 'x-api-key: {API_KEY}'
-H 'x-gw-ims-org-id: {ORG_ID}'
-H 'Content-Type: application/json'
-d '{
"name": "Service name",
"description": "Service description",
"trainingExperimentId": "c4155146-b38f-4a8b-86d8-1de3838c8d87",
"trainingExperimentRunId": "5c5af39c73fcec153117eed1",
"scoringDataSetId": "5c5af39c73fcec153117eed1",
"scoringTimeframe": "20000",
"scoringSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-10T00:00",
"cron": "10 * * * *"
}
}'
mlInstanceId
trainingExperimentId
trainingExperimentRunId
scoringDataSetId
scoringTimeframe
10080
表示过去10080分钟或168小时内的数据将用于每次计划的评分实验运行。 请注意,值 0
将不筛选数据,数据集中的所有数据将用于评分。scoringSchedule
scoringSchedule.startTime
scoringSchedule.endTime
scoringSchedule.cron
响应
成功响应将返回新创建的ML服务的详细信息,包括其唯一的 id
和 scoringExperimentId
进行相应的评分试验。
{
"id": "string",
"name": "string",
"description": "string",
"mlInstanceId": "string",
"trainingExperimentId": "string",
"trainingExperimentRunId": "string",
"scoringExperimentId": "string",
"scoringDataSetId": "string",
"scoringTimeframe": "integer",
"scoringSchedule": {
"startTime": "2019-03-13T00:00",
"endTime": "2019-03-14T00:00",
"cron": "30 * * * *"
},
"created": "2019-04-08T14:45:25.981Z",
"updated": "2019-04-08T14:45:25.981Z"
}
从现有ML实例创建ML服务
根据您的特定用例和要求,使用ML实例创建ML服务在计划训练和评分实验运行方面非常灵活。 本教程将介绍以下特定案例:
请注意,可以使用ML实例创建ML服务,而无需安排任何训练或评分实验。 此类ML服务将创建普通实验实体和单个实验运行,用于训练和评分。
带有评分计划试验的ML服务 ml-service-with-scheduled-experiment-for-scoring
您可以通过发布ML实例来创建ML服务,该实例具有为评分而计划的试验运行,这将创建一个用于训练的普通试验实体。 生成一个训练实验运行,该运行将用于所有计划的评分实验运行。 确保您拥有 mlInstanceId
, trainingDataSetId
、和 scoringDataSetId
创建ML服务所必需的,并且它们存在且是有效值。
API格式
POST /mlServices
请求
curl -X POST
https://platform.adobe.io/data/sensei/mlServices
-H 'Authorization: {ACCESS_TOKEN}'
-H 'x-api-key: {API_KEY}'
-H 'x-gw-ims-org-id: {ORG_ID}'
-H 'x-sandbox-name: {SANDBOX_NAME}'
-d '{
"name": "Service name",
"description": "Service description",
"mlInstanceId": "c4155146-b38f-4a8b-86d8-1de3838c8d87",
"trainingDataSetId": "5c5af39c73fcec153117eed1",
"trainingTimeframe": "10000",
"scoringDataSetId": "5c5af39c73fcec153117eed1",
"scoringTimeframe": "20000",
"scoringSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-10T00:00",
"cron": "10 * * * *"
}
}'
mlInstanceId
trainingDataSetId
trainingTimeframe
"10080"
表示将使用过去10080分钟或168小时的数据进行训练实验运行。 请注意,值 "0"
将不过滤数据,数据集中的所有数据都用于训练。scoringDataSetId
scoringTimeframe
"10080"
表示过去10080分钟或168小时内的数据将用于每次计划的评分实验运行。 请注意,值 "0"
将不筛选数据,数据集中的所有数据将用于评分。scoringSchedule
scoringSchedule.startTime
scoringSchedule.endTime
scoringSchedule.cron
响应
成功的响应将返回新创建的ML服务的详细信息。 这包括服务的独特 id
以及 trainingExperimentId
和 scoringExperimentId
分别进行了相应的训练和评分实验。
{
"id": "string",
"name": "string",
"description": "string",
"mlInstanceId": "string",
"trainingExperimentId": "string",
"trainingDataSetId": "string",
"trainingTimeframe": "integer",
"scoringExperimentId": "string",
"scoringDataSetId": "string",
"scoringTimeframe": "integer",
"scoringSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-10T00:00",
"cron": "10 * * * *"
},
"created": "2019-04-09T08:58:10.956Z",
"updated": "2019-04-09T08:58:10.956Z"
}
包含用于训练和评分的计划实验的ML服务 ml-service-with-scheduled-experiments-for-training-and-scoring
要将现有ML实例发布为ML服务,并安排训练和评分实验运行,您需要提供训练和评分计划。 在创建此配置的ML服务时,还会创建用于训练和评分的计划试验实体。 请注意,训练和评分时间表不必相同。 在评分作业执行期间,将获取计划培训实验运行生成的最新已训练模型,并将其用于计划评分运行。
API格式
POST /mlServices
请求
curl -X POST 'https://platform.adobe.io/data/sensei/mlServices'
-H 'Authorization: Bearer {ACCESS_TOKEN}'
-H 'x-api-key: {API_KEY}'
-H 'x-gw-ims-org-id: {ORG_ID}'
-H 'x-sandbox-name: {SANDBOX_NAME}'
-d '{
"name": "string",
"description": "string",
"mlInstanceId": "string",
"trainingDataSetId": "string",
"trainingTimeframe": "string",
"scoringDataSetId": "string",
"scoringTimeframe": "string",
"trainingSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-10T00:00",
"cron": "10 * * * *"
},
"scoringSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-10T00:00",
"cron": "10 * * * *"
}
}'
mlInstanceId
trainingDataSetId
trainingTimeframe
"10080"
表示将使用过去10080分钟或168小时的数据进行训练实验运行。 请注意,值 "0"
将不过滤数据,数据集中的所有数据都用于训练。scoringDataSetId
scoringTimeframe
"10080"
表示过去10080分钟或168小时内的数据将用于每次计划的评分实验运行。 请注意,值 "0"
将不筛选数据,数据集中的所有数据将用于评分。trainingSchedule
scoringSchedule
scoringSchedule.startTime
scoringSchedule.endTime
scoringSchedule.cron
响应
成功的响应将返回新创建的ML服务的详细信息。 这包括服务的独特 id
以及 trainingExperimentId
和 scoringExperimentId
分别进行了相应的训练和评分实验。 在下面的示例响应中, trainingSchedule
和 scoringSchedule
建议用于训练和评分的实验实体是计划的实验。
{
"id": "string",
"name": "string",
"description": "string",
"mlInstanceId": "string",
"trainingExperimentId": "string",
"trainingDataSetId": "string",
"trainingTimeframe": "integer",
"scoringExperimentId": "string",
"scoringDataSetId": "string",,
"scoringTimeframe": "integer",
"trainingSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-10T00:00",
"cron": "10 * * * *"
},
"scoringSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-10T00:00",
"cron": "10 * * * *"
},
"created": "2019-04-09T08:58:10.956Z",
"updated": "2019-04-09T08:58:10.956Z"
}
查找ML服务 retrieving-ml-services
您可以通过以下方式查找现有ML服务 GET
请求 /mlServices
并提供独一无二的 id
路径中ML服务的路径路径。
API格式
GET /mlServices/{SERVICE_ID}
{SERVICE_ID}
id
中指定的ML服务。请求
curl -X GET 'https://platform.adobe.io/data/sensei/mlServices/{SERVICE_ID}'
-H 'Authorization: Bearer {ACCESS_TOKEN}'
-H 'x-api-key: {API_KEY}'
-H 'x-gw-ims-org-id: {ORG_ID}'
-H 'x-sandbox-name: {SANDBOX_NAME}'
响应
成功的响应将返回ML服务的详细信息。
{
"id": "string",
"name": "string",
"description": "string",
"mlInstanceId": "string",
"trainingExperimentId": "string",
"trainingDataSetId": "string",
"trainingTimeframe": "integer",
"scoringExperimentId": "string",
"scoringDataSetId": "string",
"scoringTimeframe": "integer",
"trainingSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-10T00:00",
"cron": "10 * * * *"
},
"scoringSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-10T00:00",
"cron": "10 * * * *"
},
"created": "2019-05-13T23:46:03.478Z",
"updated": "2019-05-13T23:46:03.478Z"
}
计划培训或评分
如果要为已发布的ML服务计划评分和培训,可以通过更新现有的ML服务来完成此操作。 PUT
请求日期 /mlServices
.
API格式
PUT /mlServices/{SERVICE_ID}
{SERVICE_ID}
id
要更新的ML服务的属性。请求
以下请求通过添加 trainingSchedule
和 scoringSchedule
键及其各自对应的 startTime
, endTime
、和 cron
键。
curl -X PUT 'https://platform.adobe.io/data/sensei/mlServices/{SERVICE_ID}'
-H 'Authorization: {ACCESS_TOKEN}'
-H 'x-api-key: {API_KEY}'
-H 'x-gw-ims-org-id: {ORG_ID}'
-H 'x-sandbox-name: {SANDBOX_NAME}'
-d '{
"name": "string",
"description": "string",
"mlInstanceId": "string",
"trainingExperimentId": "string",
"trainingDataSetId": "string",
"trainingTimeframe": "integer",
"scoringExperimentId": "string",
"scoringDataSetId": "string",
"scoringTimeframe": "integer",
"trainingSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-11T00:00",
"cron": "20 * * * *"
},
"scoringSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-11T00:00",
"cron": "20 * * * *"
}
}'
startTime
现有计划的培训和评分作业。 如果 startTime
必须修改,请考虑发布相同的模型并重新计划训练和评分作业。响应
成功的响应将返回更新的ML服务的详细信息。
{
"id": "string",
"name": "string",
"description": "string",
"mlInstanceId": "string",
"trainingExperimentId": "string",
"trainingDataSetId": "string",
"trainingTimeframe": "integer",
"scoringExperimentId": "string",
"scoringDataSetId": "string",
"scoringTimeframe": "integer",
"trainingSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-11T00:00",
"cron": "20 * * * *"
},
"scoringSchedule": {
"startTime": "2019-04-09T00:00",
"endTime": "2019-04-11T00:00",
"cron": "20 * * * *"
},
"created": "2019-04-09T08:58:10.956Z",
"updated": "2019-04-09T09:43:55.563Z"
}