使用將模型發佈為服務 Sensei Machine Learning API
本教學課程說明使用將模型發佈為服務的程式 Sensei Machine Learning API.
快速入門
此教學課程需要您實際瞭解Adobe Experience Platform資料科學工作區。 在開始本教學課程之前,請檢閱 資料科學工作區概觀 瞭解此服務的概略介紹。
若要進行本教學課程,您必須擁有現有的ML引擎、ML例項和實驗。 如需如何在API中建立這些專案的步驟,請參閱以下主題中的教學課程: 匯入封裝的配方.
最後,在開始本教學課程之前,請檢閱 快速入門 開發人員指南的區段,瞭解成功對 Sensei Machine Learning API,包括本教學課程使用的必要標頭:
{ACCESS_TOKEN}
{ORG_ID}
{API_KEY}
所有POST、PUT和PATCH請求都需要額外的標頭:
- Content-Type: application/json
重要條款
下表概述本教學課程中使用的一些常見術語:
使用現有的訓練實驗回合和已排程的評分建立ML服務
當您以ML服務形式發佈訓練實驗回合時,您可以透過提供評分實驗回合的詳細資訊來排程評分,執行POST請求的裝載。 這會導致建立用於評分的排程實驗實體。
API格式
POST /mlServices
要求
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
表示過去10080分鐘或168小時的資料將用於每個已排程的評分實驗回合。 請注意,值 0
不會篩選資料,資料集內的所有資料都會用於評分。scoringSchedule
scoringSchedule.startTime
scoringSchedule.endTime
scoringSchedule.cron
回應
成功的回應會傳回新建立的ML服務的詳細資料,包括其唯一的 id
和 scoringExperimentId
以取得其對應的評分實驗。
{
"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"
}
從現有ML執行處理建立ML服務
根據您的特定使用案例和需求,使用ML執行個體建立ML服務在排程訓練和評分實驗執行方面是有彈性的。 本教學課程將逐步解說下列特定案例:
請注意,您可以使用ML執行個體建立ML服務,而不需要排程任何訓練或評分實驗。 此類ML服務將建立普通實驗實體和單一實驗回合,用於訓練和評分。
具有已排程實驗以進行評分的ML服務 ml-service-with-scheduled-experiment-for-scoring
您可以發佈ML執行個體來建立ML服務,其中包含已排程的實驗回合以進行評分,這會建立用於訓練的普通實驗實體。 訓練實驗回合已產生,並將用於所有已排程的評分實驗回合。 確保您擁有 mlInstanceId
, trainingDataSetId
、和 scoringDataSetId
建立ML服務所需,而且它們存在且是有效值。
API格式
POST /mlServices
要求
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"
表示過去10080分鐘或168小時的資料將用於訓練實驗回合。 請注意,值 "0"
不會篩選資料,資料集內的所有資料都會用於訓練。scoringDataSetId
scoringTimeframe
"10080"
表示過去10080分鐘或168小時的資料將用於每個已排程的評分實驗回合。 請注意,值 "0"
不會篩選資料,資料集內的所有資料都會用於評分。scoringSchedule
scoringSchedule.startTime
scoringSchedule.endTime
scoringSchedule.cron
回應
成功的回應會傳回新建立的ML服務的詳細資訊。 這包括服務的獨特 id
,以及 trainingExperimentId
和 scoringExperimentId
分別用於其對應的訓練和評分實驗。
{
"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"
}
具有已排程實驗的ML服務,用於訓練和評分 ml-service-with-scheduled-experiments-for-training-and-scoring
若要將現有的ML執行個體發佈為ML服務,並包含排程的訓練和評分實驗回合,您必須提供訓練和評分排程。 建立此設定的ML服務時,也會建立用於訓練和評分的排程實驗實體。 請注意,訓練和評分排程不一定要相同。 在評分工作執行期間,將會擷取由排程的訓練實驗回合產生的最新訓練模型,並用於排程的評分回合。
API格式
POST /mlServices
要求
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"
表示過去10080分鐘或168小時的資料將用於訓練實驗回合。 請注意,值 "0"
不會篩選資料,資料集內的所有資料都會用於訓練。scoringDataSetId
scoringTimeframe
"10080"
表示過去10080分鐘或168小時的資料將用於每個已排程的評分實驗回合。 請注意,值 "0"
不會篩選資料,資料集內的所有資料都會用於評分。trainingSchedule
scoringSchedule
scoringSchedule.startTime
scoringSchedule.endTime
scoringSchedule.cron
回應
成功的回應會傳回新建立的ML服務的詳細資訊。 這包括服務的獨特 id
,以及 trainingExperimentId
和 scoringExperimentId
和評分實驗的相關資訊。 在下列範例回應中, trainingSchedule
和 scoringSchedule
建議用於訓練和評分的實驗實體是已排程的實驗。
{
"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"
}
查詢ML服務 retrieving-ml-services
您可以透過建立 GET
要求至 /mlServices
並提供唯一的 id
路徑中的ML服務路徑。
API格式
GET /mlServices/{SERVICE_ID}
{SERVICE_ID}
id
ML服務的檔案名稱。要求
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}'
回應
成功的回應會傳回ML服務的詳細資料。
{
"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"
}
排程訓練或評分
如果您想要在已發佈的ML服務上排程評分和訓練,您可以透過更新現有的ML服務來完成此操作。 PUT
請求日期 /mlServices
.
API格式
PUT /mlServices/{SERVICE_ID}
{SERVICE_ID}
id
正在更新的ML服務之URL。要求
以下請求會新增「 」,以排程現有ML服務的訓練和評分 trainingSchedule
和 scoringSchedule
金鑰及其各自的 startTime
, endTime
、和 cron
金鑰。
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
關於現有的排程訓練和評分工作。 如果 startTime
必須修改,請考慮發佈相同的模型,並重新排程訓練和評分工作。回應
成功的回應會傳回已更新ML服務的詳細資料。
{
"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"
}