افزونه موتور یادگیری ماشین Google

درحال مشاهده اسناد Apigee Edge هستید.
به اسناد Apigee X بروید.
اطلاعات

نسخه ۲.۰.۰

پیش‌بینی‌ها را از Cloud Machine Learning Engine درخواست کنید. ازطریق کنش predict، می‌توانید پیش‌بینی‌ها را از مدل آموزش‌دیده موجود درخواست و ارائه کنید.

پس‌از پیکربندی این افزونه با شناسه و اطلاعات اعتباری پروژه Google Cloud، بااستفاده از خط‌مشی «دعوت به اقدام افزونه» از یک پراکسی API تماس برقرار می‌کنید. در پیکربندی خط‌مشی، مدل و نسخه مدل موردنظر برای استفاده و همچنین داده‌های نمونه‌ای را که می‌خواهید مدل برای پیش‌بینی استفاده کند مشخص می‌کنید.

برای شروع به کار با Cloud ML Engine، به مقدمه‌ای بر Cloud ML Engine مراجعه کنید.

پیش‌نیازها

این محتوا مرجعی برای پیکربندی و استفاده از این افزونه ارائه می‌دهد. قبل‌از استفاده از افزونه از یک پراکسی API بااستفاده از خط‌مشی ExtensionCallout، باید:

  1. مطمئن شوید که مدل دارید.

    برای اطلاعات بیشتر درباره مدل‌های Cloud ML Engine و مفاهیم دیگر، به پروژه‌ها، مدل‌ها، نسخه‌ها، و کارها مراجعه کنید.

  2. از «کنسول Google Cloud» برای تولید کلید حساب سرویس استفاده کنید.

  3. از محتوای فایل JSON کلید حاصل هنگام افزودن و پیکربندی افزونه بااستفاده از مرجع پیکربندی استفاده کنید.

درباره Google Cloud Machine Learning Engine

می‌توانید از Cloud Machine Learning Engine برای آموزش مدل‌های یادگیری ماشین بااستفاده از منابع Google Cloud استفاده کنید. می‌توانید مدل‌های آموزش‌دیده خود را در Cloud ML Engine میزبانی کنید تا بتوانید درخواست‌های پیش‌بینی را به آن‌ها ارسال کنید و مدل‌ها و کارها را بااستفاده از سرویس‌های Google Cloud مدیریت کنید.

کنش‌ها

پیش‌بینی کردن

بااستفاده از مدل مشخص‌شده، پیش‌بینی‌هایی را روی داده‌های نمونه مشخص‌شده انجام دهید.

نحو

<Action>predict</Action>
<Input><![CDATA[{
  "model" : model-for-prediction,
  "version" : model-version,
  "instances" : data-to-use-for-making-prediction
}]]></Input>

مثال

<Action>predict</Action>
<Input><![CDATA[{
  "model" : mymodel,
  "version" : version4,
  "instances" : {"instances": ["the quick brown fox", "la bruja le dio"]}
}]]></Input>

پارامترهای درخواست

پارامتر شرح نوع پیش‌فرض الزامی
مدل مدل برای استفاده در پیش‌بینی‌ها. رشته هیچ‌کدام. بله.
نسخه نسخه راه‌حل یادگیری ماشین برای استفاده در پیش‌بینی‌ها. رشته هیچ‌کدام. بله.
نمونه‌ها نمونه‌هایی که پیش‌بینی برای آن‌ها دریافت می‌شود. شکل موارد در این مقدار به انتظارات مدلی که برای پیش‌بینی استفاده می‌کنید بستگی دارد. برای اطلاعات بیشتر، جزئیات درخواست پیش‌بینی را ببینید. آرایه هیچ‌کدام. بله.

پاسخ

آرایه predictions که شامل داده‌های پیش‌بینی برگشتی از مدل مشخص‌شده در پیکربندی خط‌مشی «افزونه تماس بومی» است.

{
  "predictions": [
    {
      "probabilities": [
        0.9435398578643799,
        0.05646015331149101
      ],
      "logits": [
        -2.816103458404541
      ],
      "classes": [
        "0"
      ],
      "class_ids": [
        0
      ],
      "logistic": [
        0.056460149586200714
      ]
    },
    {
      "probabilities": [
        0.9271764755249023,
        0.07282354682683945
      ],
      "logits": [
        -2.54410457611084
      ],
      "classes": [
        "0"
      ],
      "class_ids": [
        0
      ],
      "logistic": [
        0.07282353937625885
      ]
    }
  ]
}

مرجع پیکربندی

هنگام پیکربندی و استقرار این افزونه برای استفاده در پراکسی‌های API، از موارد زیر استفاده کنید. برای مراحل پیکربندی افزونه بااستفاده از کنسول Apigee، به افزودن و پیکربندی افزونه مراجعه کنید.

دارایی‌های افزونه مشترک

ویژگی های زیر برای هر افزونه وجود دارد.

ویژگی شرح پیش فرض ضروری
name نامی که به این پیکربندی افزونه می‌دهید. هیچ یک آره
packageName نام بسته افزودنی همانطور که توسط Apigee Edge داده شده است. هیچ یک آره
version شماره نسخه بسته برنامه افزودنی که از آن یک برنامه افزودنی را پیکربندی می کنید. هیچ یک آره
configuration مقدار پیکربندی مخصوص افزونه ای که اضافه می کنید. به ویژگی های این بسته برنامه افزودنی مراجعه کنید هیچ یک آره

دارایی‌های این بسته افزونه

مقادیر مشخصه‌های پیکربندی زیر را که مختص این افزونه است مشخص کنید.

دارایی شرح پیش‌فرض الزامی
projectId شناسه پروژه Google Cloud که حاوی مدل‌های آموزش‌دیده مورداستفاده این افزونه است. هیچ‌کدام. بله.
اطلاعات اعتباری وقتی در کنسول Apigee Edge وارد می‌شود، این محتوای فایل کلید حساب سرویس شما است. وقتی بااستفاده از «میانای برنامه‌سازی کاربردی مدیریت» ارسال می‌شود، مقدار رمزگذاری‌شده با base64 است که از فایل کلید حساب سرویس تولید می‌شود. هیچ‌کدام. بله.