Show Menu
主題×

匯入封裝的方式(API)

本教學課程使 用Sensei Machine Learning API 來建立引擎 引擎 ,也稱為使用者介面中的方式。
在開始使用之前,請務必注意,Adobe Experience Platform Data Science Workspace使用不同的術語來參照API和UI中的類似元素。 本教學課程中使用API詞語,下表概述相關詞語:
UI詞語
API期限
配方
模型
培訓與評估
服務
引擎包含機器學習演算法和邏輯,以解決特定問題。 下圖顯示資料科學工作區中的API工作流程。 本教學課程著重於建立引擎,即機器學習模型的大腦。

快速入門

本教學課程需要以二進位對象或Docker URL格式封裝的Recipe檔案。 請依照「 封裝來源檔案」教學課程 ,建立封裝的「配方」檔案或提供您自己的「配方」檔案。
  • 二進位對象:二進位偽像(如 JAR, EGG),用於建立引擎。
  • {DOCKER_URL} :智慧服務的Docker影像的URL位址。
本教學課程要求您完成「 Adobe Experience Platform驗證」教學課程 ,才能成功呼叫平台API。 完成驗證教學課程後,所有Experience Platform API呼叫中每個必要標題的值都會顯示在下方:
  • {ACCESS_TOKEN} :驗證後提供的您特定的載體Token值。
  • {IMS_ORG} :您的IMS組織認證可在您獨特的Adobe Experience Platform整合中找到。
  • {API_KEY} :您獨特的Adobe Experience Platform整合中提供您的特定API金鑰價值。

建立引擎

根據要包含在API請求中的封裝方式檔案的形式,引擎會透過下列兩種方式之一建立:

使用二進位對象建立引擎

要使用本地打包或二進位對象建立引 .jar 擎, .egg 必須提供本地檔案系統中二進位對象檔案的絕對路徑。 考慮導航到終端環境中包含二進位對象的目錄,並執行絕對路徑的 pwd Unix命令。
下列呼叫會建立含二進位物件的引擎:

API格式

POST /engines

請求

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 :引擎的所需名稱。 與此引擎對應的配方將繼承此值,該值將作為配方的名稱顯示在資料科學工作區用戶介面中。
  • engine > description :引擎的選用說明。 與此引擎對應的配方將繼承此值,該值將作為配方的說明顯示在Data Science Workspace用戶介面中。 請勿移除此屬性,如果您選擇不提供說明,請讓此值為空字串。
  • engine > type :引擎的執行類型。 此值與在中開發二進位偽像的語言相對應。
    上載二進位對象以建立引擎時, type Spark PySpark
  • defaultArtifact :用於建立引擎的二進位對象檔案的絕對路徑。
    請確定在檔 @ 案路徑之前加入。

回應

{
    "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"
            }
        }
    }
}

成功的回應會顯示JSON裝載,內含有關新建引擎的資訊。 此 id 鍵代表唯一的引擎識別碼,並在下一個教學課程中用來建立MLInstance。 請確定引擎識別碼已儲存,然後再繼續進 行後續步驟

使用Docker URL建立引擎

若要建立具有儲存在Docker容器中之封裝配方檔案的引擎,您必須為封裝配方檔案提供Docker URL。
下列呼叫會建立具有Docker URL的引擎:

API格式

POST /engines

請求

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 :引擎的所需名稱。 與此引擎對應的配方將繼承此值,該值將作為配方的名稱顯示在資料科學工作區用戶介面中。
  • engine > description :引擎的選用說明。 與此引擎對應的配方將繼承此值,該值將作為配方的說明顯示在Data Science Workspace用戶介面中。 請勿移除此屬性,如果您選擇不提供說明,請讓此值為空字串。
  • engine > type :引擎的執行類型。 此值與Docker影像開發所用的語言相對應。
    當提供Docker URL來建立引擎時, type Python R Tensorflow
  • artifacts > default > image > location :你 {DOCKER_URL} 來這。 完整的Docker URL具有下列結構:
    your_docker_host.azurecr.io/docker_image_file:version
    
    
  • artifacts > default > image > name :Docker映像檔案的附加名稱。 請勿移除此屬性,如果您選擇不提供其他Docker影像檔名,請讓此值為空字串。
  • artifacts > default > image > executionType :此引擎的執行類型。 此值與Docker影像開發所用的語言相對應。
    當提供Docker URL來建立引擎時, executionType Python R Tensorflow

回應

{
    "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"
            }
        }
    }
}

成功的回應會顯示JSON裝載,內含有關新建引擎的資訊。 此 id 鍵代表唯一的引擎識別碼,並在下一個教學課程中用來建立MLInstance。 請確定引擎識別碼已儲存,然後再繼續後續步驟。

後續步驟

您已使用API建立引擎,並取得唯一的引擎識別碼作為回應本體的一部分。 在下一個教學課程中,您可以使用此引擎識別碼,學習如 何使用API建立、訓練和評估模型