Show Menu
主题×

培训和评估模型(API)

本教程将向您展示如何使用API调用创建、培训和评估模型。 有关 API文档 的详细列表,请参阅此文档。

先决条件

按照使 用API导入打包的菜谱 (使用API培训和评估模型时需要)创建引擎。
请按照本 教程 ,获取进行API调用的开始的授权。
在教程中,您现在应当具有以下值:
  • {ACCESS_TOKEN} :身份验证后提供的特定载体令牌值。
  • {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集成中找到的特定API密钥值。
  • 链接到智能服务的Docker图像

API工作流

我们将使用API创建培训的实验运行。 在本教程中,我们将重点介绍引 MLI实例 ​和实 验端点 。 下图概述了这三者之间的关系,并介绍了“运行”(Run)和“模型”(Model)的概念。
术语“引擎”、“MLInstance”、“MLService”、“实验”和“模型”在UI中称为不同术语。 如果您来自UI,下表将映射差异。
UI术语
API术语
菜谱
引擎
模型
MLInstance
培训运行
实验
服务
MLService

创建MLInstance

可以使用以下请求创建MLInstance。 您将使用在使用 {ENGINE_ID} API教程从导入打包的菜谱 创建引擎时返回的引擎
请求
curl -X POST \
  https://platform.adobe.io/data/sensei/mlInstances \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=mlInstance.v1.json' \
  -H 'x-api-key: {API_KEY}' \
  -H 'x-gw-ims-org-id: {IMS_ORG}' \
  -d `{JSON_PAYLOAD}`

{ACCESS_TOKEN} :身份验证后提供的特定载体令牌值。 {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集成中找到的特定API密钥值。 {JSON_PAYLOAD} :MLInstance的配置。 我们在教程中使用的示例如下:
{
    "name": "Retail - Instance",
    "description": "Instance for ML Instance",
    "engineId": "{ENGINE_ID}",
    "createdBy": {
        "displayName": "John Doe",
        "userId": "johnd"
    },
    "tags": {
        "purpose": "tutorial"
    },
    "tasks": [
        {
            "name": "train",
            "parameters": [
                {
                    "key": "numFeatures",
                    "value": "10"
                },
                {
                    "key": "maxIter",
                    "value": "2"
                },
                {
                    "key": "regParam",
                    "value": "0.15"
                },
                {
                    "key": "trainingDataLocation",
                    "value": "sample_training_data.csv"
                }
            ]
        },
        {
            "name": "score",
            "parameters": [
                {
                    "key": "scoringDataLocation",
                    "value": "sample_scoring_data.csv"
                },
                {
                    "key": "scoringResultsLocation",
                    "value": "scoring_results.net"
                }
            ]
        }
    ]
}

在中, {JSON_PAYLOAD} 我们定义了用于阵列中训练和评分的 tasks 参数。 该 {ENGINE_ID} 字段是您要使用的引擎的ID,而 tag 该字段是用于标识实例的可选参数。
响应将包含 {INSTANCE_ID} 表示所创建的MLI实例。 可以创建具有不同配置的多模型MLI实例。
响应
{
    "id": "{INSTANCE_ID}",
    "name": "Retail - Instance",
    "description": "Instance for ML Instance",
    "engineId": "{ENGINE_ID}",
    "created": "2018-21-21T11:11:11.111Z",
    "createdBy": {
        "displayName": "John Doe",
        "userId": "johnd"
    },
    "updated": "2018-21-01T11:11:11.111Z",
    "deleted": false,
    "tags": {
        "purpose": "tutorial"
    },
    "tasks": [
        {
            "name": "train",
            "parameters": [...]
        },
        {
            "name": "score",
            "parameters": [...]
        }
    ]
}

{ENGINE_ID} :此ID表示在下创建MLInstance的引擎。 {INSTANCE_ID} :表示MLInstance的ID。

创建实验

数据科学家利用实验来在训练时获得高性能模型。 多个实验包括更改数据集、功能、学习参数和硬件。 以下是创建实验的示例。
请求
curl -X POST \
  https://platform.adobe.io/data/sensei/experiments \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experiment.v1.json' \
  -H 'x-gw-ims-org-id: {IMS_ORG}' \
  -H 'x-api-key: {API_KEY' \
  -d `{JSON PAYLOAD}`

{IMS_ORG} :您的IMS组织凭据可在独特的Adobe Experience Platform集成中找到。 {ACCESS_TOKEN} :身份验证后提供的特定载体令牌值。 {API_KEY} :您在独特的Adobe Experience Platform集成中找到的特定API密钥值。 {JSON_PAYLOAD} :尝试创建的对象。 我们在教程中使用的示例如下:
{
    "name": "Experiment for Retail ",
    "mlInstanceId": "{INSTANCE_ID}",
    "tags": {
        "test": "guide"
    }
}

{INSTANCE_ID} :表示MLInstance的ID。
“实验”创建的响应如下所示。
响应
{
    "id": "{EXPERIMENT_ID}",
    "name": "Experiment for Retail",
    "mlInstanceId": "{INSTANCE_ID}",
    "created": "2018-01-01T11:11:11.111Z",
    "updated": "2018-01-01T11:11:11.111Z",
    "deleted": false,
    "tags": {
        "test": "guide"
    }
}

{EXPERIMENT_ID} :表示您刚刚创建的实验的ID。 {INSTANCE_ID} :表示MLInstance的ID。

为培训创建计划实验

使用计划实验,这样我们就无需通过API调用创建每个实验运行。 相反,我们在创建实验时提供所有必要的参数,并且将定期创建每个运行。
要指示创建计划实验,我们必须在请 template 求正文中添加一个节。 在中 template ,调度运行的所有必要参数都包括在 tasks 内,如指示什么操作, schedule 以及指示调度运行的时间。
请求
curl -X POST \
  https://platform.adobe.io/data/sensei/experiments \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experiment.v1.json' \
  -H 'x-gw-ims-org-id: {IMS_ORG}' \
  -H 'x-api-key: {API_KEY}' \
  -d '{JSON_PAYLOAD}`

{IMS_ORG} :您的IMS组织凭据可在独特的Adobe Experience Platform集成中找到。 {ACCESS_TOKEN} :身份验证后提供的特定载体令牌值。 {API_KEY} :您在独特的Adobe Experience Platform集成中找到的特定API密钥值。 {JSON_PAYLOAD} :要发布的数据集。 我们在教程中使用的示例如下:
{
    "name": "Experiment for Retail",
    "mlInstanceId": "{INSTANCE_ID}",
    "template": {
        "tasks": [{
            "name": "train",
            "parameters": [
                   {
                        "value": "1000",
                        "key": "numFeatures"
                    }
            ],
            "specification": {
                "type": "SparkTaskSpec",
                "executorCores": 5,
                "numExecutors": 5
            }
        }],
        "schedule": {
            "cron": "*/20 * * * *",
            "startTime": "2018-11-11",
            "endTime": "2019-11-11"
        }
    }
}

创建实验时,主体 {JSON_PAYLOAD} 应包含或 mlInstanceId mlInstanceQuery 数。 在此示例中,计划实验将每20分钟调用一次运行,该运行在参 cron 数中进行设置,从 startTime 开始到 endTime
响应
{
    "id": "{EXPERIMENT_ID}",
    "name": "Experiment for Retail",
    "mlInstanceId": "{INSTANCE_ID}",
    "created": "2018-11-11T11:11:11.111Z",
    "updated": "2018-11-11T11:11:11.111Z",
    "deleted": false,
    "workflowId": "endid123_0379bc0b_8f7e_4706_bcd9_1a2s3d4f5g_abcdf",
    "template": {
        "tasks": [
            {
                "name": "train",
                "parameters": [...],
                "specification": {
                    "type": "SparkTaskSpec",
                    "executorCores": 5,
                    "numExecutors": 5
                }
            }
        ],
        "schedule": {
            "cron": "*/20 * * * *",
            "startTime": "2018-07-04",
            "endTime": "2018-07-06"
        }
    }
}

{EXPERIMENT_ID} :表示实验的ID。 {INSTANCE_ID} :表示MLInstance的ID。

创建培训的实验运行

创建实验实体后,可以使用下面的调用创建并运行培训运行。 您需要在请 {EXPERIMENT_ID} 求主体 mode 中说明要触发的内容。
请求
curl -X POST \
  https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experimentRun.v1.json' \
  -H 'x-gw-ims-org-id: {IMS_ORG}' \
  -H 'x-api-key: {API_KEY}' \
  -d '{JSON_PAYLOAD}'

{EXPERIMENT_ID} :与要目标的实验对应的ID。 这可以在创建实验时的响应中找到。 {IMS_ORG} :您的IMS组织凭据可在独特的Adobe Experience Platform集成中找到。 {ACCESS_TOKEN} :身份验证后提供的特定载体令牌值。 {API_KEY} :您在独特的Adobe Experience Platform集成中找到的特定API密钥值。 {JSON_PAYLOAD} :要创建培训运行,您必须在正文中包含以下内容:
{
    "mode":"Train"
}

您还可以通过包括数组来覆盖配置 tasks 参数:
{
   "mode":"Train",
   "tasks": [
        {
           "name": "train",
           "parameters": [
                {
                   "key": "numFeatures",
                   "value": "2"
                }
            ]
        }
    ]
}

您将收到以下响应,它将告诉您下 {EXPERIMENT_RUN_ID} 的配置和配置 tasks
响应
{
    "id": "{EXPERIMENT_RUN_ID}",
    "mode": "train",
    "experimentId": "{EXPERIMENT_ID}",
    "created": "2018-01-01T11:11:11.903Z",
    "updated": "2018-01-01T11:11:11.903Z",
    "deleted": false,
    "tasks": [
        {
            "name": "Train",
            "parameters": [...]
        }
    ]
}

{EXPERIMENT_RUN_ID} : 表示“实验运行”的ID。 {EXPERIMENT_ID} :表示“实验运行”所处实验的ID。

检索实验运行状态

可以使用查询实验运行的状态 {EXPERIMENT_RUN_ID}
请求
curl -X GET \
  https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs/{EXPERIMENT_RUN_ID}/status \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'x-gw-ims-org-id: {IMS_ORG}' \
  -H 'x-api-key: {API_KEY}'

{EXPERIMENT_ID} :表示实验的ID。 {EXPERIMENT_RUN_ID} :表示“实验运行”的ID。 {ACCESS_TOKEN} :身份验证后提供的特定载体令牌值。 {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集成中找到的特定API密钥值。
响应
GET调用将提供参数中的状 state 态,如下所示:
{
    "id": "{EXPERIMENT_ID}",
    "name": "RunStatus for experimentRunId {EXPERIMENT_RUN_ID}",
    "experimentRunId": "{EXPERIMENT_RUN_ID}",
    "deleted": false,
    "status": {
        "tasks": [
            {
                "id": "{MODEL_ID}",
                "state": "DONE",
                "tasklogs": [
                    {
                        "name": "execution",
                        "url": "https://mlbaprod1sapwd7jzid.file.core.windows.net/..."
                    },
                    {
                        "name": "stderr",
                        "url": "https://mlbaprod1sapwd7jzid.file.core.windows.net/..."
                    },
                    {
                        "name": "stdout",
                        "url": "https://mlbaprod1sapwd7jzid.file.core.windows.net/..."
                    }
                ]
            }
        ]
    }
}

{EXPERIMENT_RUN_ID} : 表示“实验运行”的ID。 {EXPERIMENT_ID} :表示“实验运行”所处实验的ID。
除州外, DONE 其他州还包括:
  • PENDING
  • RUNNING
  • FAILED
要获取更多信息,可在参数下找到详细的日 tasklogs 志。

检索已训练的模型

为了在培训期间创建上述培训模型,我们提出以下请求:
请求
curl -X GET \
  'https://platform.adobe.io/data/sensei/models/?property=experimentRunId=={EXPERIMENT_RUN_ID}' \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'x-gw-ims-org-id: {IMS_ORG}'

{EXPERIMENT_RUN_ID} :与要目标的“实验运行”对应的ID。 这可以在创建实验运行时的响应中找到。 {ACCESS_TOKEN} :身份验证后提供的特定载体令牌值。 {IMS_ORG} :您的IMS组织凭据可在独特的Adobe Experience Platform集成中找到。
响应表示已创建的经过培训的模型。
响应
{
    "children": [
        {
            "id": "{MODEL_ID}",
            "name": "Tutorial trained Model",
            "experimentId": "{EXPERIMENT_ID}",
            "experimentRunId": "{EXPERIMENT_RUN_ID}",
            "description": "trained model for ID",
            "modelArtifactUri": "wasb://test-models@mlpreprodstorage.blob.core.windows.net/{MODEL_ID}",
            "created": "2018-01-01T11:11:11.011Z",
            "updated": "2018-01-01T11:11:11.011Z",
            "deleted": false
        }
    ],
    "_page": {
        "property": "ExperimentRunId=={EXPERIMENT_RUN_ID},deleted!=true",
        "count": 1
    }
}

{MODEL_ID} :与“模型”(Model)对应的ID。 {EXPERIMENT_ID} : 与实验运行对应的ID在下。 {EXPERIMENT_RUN_ID} :与实验运行对应的ID。

停止和删除计划实验

如果要在计划实验之前停止执行该 endTime 实验,可以通过向 {EXPERIMENT_ID}
请求
curl -X DELETE \
  'https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}' \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'x-gw-ims-org-id: {IMS_ORG}'

{EXPERIMENT_ID} : 与实验对应的ID。 {ACCESS_TOKEN} :身份验证后提供的特定载体令牌值。 {IMS_ORG} :您的IMS组织凭据可在独特的Adobe Experience Platform集成中找到。
API调用将禁用创建新的Experice运行。 但是,它不会停止执行已运行的实验运行。
以下是响应,通知已成功删除该实验。
响应
{
    "title": "Success",
    "status": 200,
    "detail": "Experiment successfully deleted"
}

后续步骤

本教程详细介绍了如何使用API创建引擎、实验、计划实验运行和经过培训的模型。 在下一 个练习中 ,您将通过使用表现最好的培训模型对新数据集进行评分来进行预测。