Как использовать веб-службу классической версии платформы машинного обучения (Machine Learning Studio)

ОБЛАСТЬ ПРИМЕНЕНИЯ: Студия машинного обучения (классическая) Машинное обучение Azure

После развертывания прогнозной модели Студии машинного обучения (классическая) в качестве веб-службы можно использовать REST API для отправки данных и получения прогнозов. Данные можно отправлять в режиме реального времени или пакетном режиме.

Дополнительные сведения о способах создания и развертывания веб-службы машинного обучения с помощью Студии машинного обучения (классическая модель) можно найти в следующих статьях.

• Чтобы ознакомиться с руководством по созданию эксперимента в классической версии Machine Learning Studio, см. Создайте ваш первый эксперимент.
• Дополнительные сведения о развертывании веб-службы см. в Развертывание веб-службы машинного обучения.
• Дополнительные сведения о машинном обучении см. в центре документации по Машинному обучению.

Обзор

С помощью веб-службы Машинного обучения внешнее приложение взаимодействует с рабочим процессом Машинного обучения, оценивая модель в режиме реального времени. Вызов веб-службы машинного обучения возвращает результаты прогноза внешнему приложению. Чтобы вызвать веб-службу машинного обучения, следует передать ключ API, создаваемый при развертывании прогноза. Веб-служба машинного обучения работает на основе архитектуры REST, используемой в основном в проектах с веб-программированием.

Студия машинного обучения (классическая) содержит два типа служб:

• Служба обработки запросов и ответов (RRS) — высокомасштабируемая служба с малым временем задержки, используемая в качестве интерфейса для моделей без изменения состояния, которые создаются и развертываются в студии машинного обучения Microsoft Azure (классическая модель).
• Служба пакетного выполнения (BES) — асинхронная служба, оценивающая пакет записей данных.

Дополнительные сведения о веб-службах машинного обучения приведены в статье Развертывание веб-службы машинного обучения.

Получение ключа авторизации

При развертывании эксперимента создаются ключи API для веб-службы. Ключи можно получить из нескольких мест.

С портала веб-служб Машинного обучения

Войдите на портал веб-служб Машинного обучения.

Чтобы получить ключ API для новой веб-службы машинного обучения, сделайте следующее:

1. На портале веб-служб Машинного обучения в верхнем меню щелкните Веб-службы.
2. Щелкните веб-службу, для которой требуется получить ключ.
3. В верхнем меню щелкните Consume.
4. Скопируйте и сохраните Primary Key(Первичный ключ).

Чтобы получить ключ API для классической веб-службы машинного обучения, сделайте следующее:

1. На портале веб-служб Машинного обучения Azure в верхнем меню щелкните Classic Web Services (Классические веб-службы).
2. Выберите веб-службу, с которой вы работаете.
3. Щелкните конечную точку, для которой требуется получить ключ.
4. В верхнем меню щелкните Consume.
5. Скопируйте и сохраните Primary Key(Первичный ключ).

Классическая веб-служба

Вы также можете получить ключ для классической веб-службы из Machine Learning Studio (classic).

Студия машинного обучения (классическая версия)

1. В студии машинного обучения (классическая модель) щелкните WEB SERVICES (ВЕБ-СЛУЖБЫ) слева.
2. Щелкните веб-сервис. Ключ API указан на вкладке Панель мониторинга.

Подключение к веб-службе машинного обучения

К веб-службе машинного обучения можно подключиться, используя любой язык программирования, поддерживающий HTTP-запрос и HTTP-ответ. Примеры на языках C#, Python и R можно просмотреть на странице справки веб-службы машинного обучения.

Справка по API машинного обучения Справка по API машинного обучения создается при развертывании веб-службы. См. Учебник 3. Развертывание модели кредитных рисков. Справка по API машинного обучения содержит сведения о веб-службе прогнозирования.

1. Выберите веб-службу, с которой вы работаете.
2. Щелкните конечную точку, для которой требуется просмотреть страницу справки по API.
3. В верхнем меню щелкните Consume.
4. Щелкните API help page под пунктами "Запрос—ответ" или "Пакетное выполнение".

Чтобы ознакомиться со справкой по API машинного обучения для нового веб-сервиса

На портале веб-служб Машинного обучения сделайте следующее:

1. В верхнем меню щелкните WEB SERVICES (ВЕБ-СЛУЖБЫ).
2. Щелкните веб-службу, для которой требуется получить ключ.

Щелкните Use Web Service (Использовать веб-службу), чтобы получить значения URI для службы "запрос и ответ" и службы пакетного выполнения, а также для примеров кода на C#, R и Python.

Кликните Swagger API, чтобы получить документацию на основе Swagger для API, вызываемых из предоставленных URI.

Пример на языке C#

Для подключения к веб-службе машинного обучения воспользуйтесь клиентом HttpClient, передав ScoreData. ScoreData содержит FeatureVector, n-мерный вектор числовых признаков, представляющий ScoreData. Службу машинного обучения можно аутентифицировать с помощью ключа API.

Для подключения к веб-службе машинного обучения должен быть установлен пакет NuGet Microsoft.AspNet.WebApi.Client.

Установка Microsoft.AspNet.WebApi.Client NuGet в Visual Studio

1. Опубликуйте набор данных Загрузки из набора UCI: Adult 2 веб-службы.
2. Выберите Инструменты>Диспетчер пакетов NuGet>Консоль диспетчера пакетов.
3. Выберите Установить пакет Microsoft.AspNet.WebApi.Client.

Для запуска примера выполните следующие действия:

1. Опубликуйте эксперимент "Пример 1: Загрузка набора данных из UCI: набор данных класса Adult 2", входящий в коллекцию примеров машинного обучения.
2. Присвойте переменной apiKey ключ из веб-службы. См. выше раздел Получение ключа авторизации.
3. Назначьте serviceUri с URI запроса.

Вот как будет выглядеть полный запрос:

using System;
using System.Collections.Generic;
using System.IO;
using System.Net.Http;
using System.Net.Http.Formatting;
using System.Net.Http.Headers;
using System.Text;
using System.Threading.Tasks;

namespace CallRequestResponseService
{
    class Program
    {
        static void Main(string[] args)
        {
            InvokeRequestResponseService().Wait();
        }

        static async Task InvokeRequestResponseService()
        {
            using (var client = new HttpClient())
            {
                var scoreRequest = new
                {
                    Inputs = new Dictionary<string, List<Dictionary<string, string>>> () {
                        {
                            "input1",
                            // Replace columns labels with those used in your dataset
                            new List<Dictionary<string, string>>(){new Dictionary<string, string>(){
                                    {
                                        "column1", "value1"
                                    },
                                    {
                                        "column2", "value2"
                                    },
                                    {
                                        "column3", "value3"
                                    }
                                }
                            }
                        },
                    },
                    GlobalParameters = new Dictionary<string, string>() {}
                };

                // Replace these values with your API key and URI found on https://services.azureml.net/
                const string apiKey = "<your-api-key>"; 
                const string apiUri = "<your-api-uri>";
                
                client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue( "Bearer", apiKey);
                client.BaseAddress = new Uri(apiUri);

                // WARNING: The 'await' statement below can result in a deadlock
                // if you are calling this code from the UI thread of an ASP.NET application.
                // One way to address this would be to call ConfigureAwait(false)
                // so that the execution does not attempt to resume on the original context.
                // For instance, replace code such as:
                //      result = await DoSomeTask()
                // with the following:
                //      result = await DoSomeTask().ConfigureAwait(false)

                HttpResponseMessage response = await client.PostAsJsonAsync("", scoreRequest);

                if (response.IsSuccessStatusCode)
                {
                    string result = await response.Content.ReadAsStringAsync();
                    Console.WriteLine("Result: {0}", result);
                }
                else
                {
                    Console.WriteLine(string.Format("The request failed with status code: {0}", response.StatusCode));

                    // Print the headers - they include the request ID and the timestamp,
                    // which are useful for debugging the failure
                    Console.WriteLine(response.Headers.ToString());

                    string responseContent = await response.Content.ReadAsStringAsync();
                    Console.WriteLine(responseContent);
                }
            }
        }
    }
}

Пример на Python

Чтобы подключиться к веб-службе машинного обучения, используйте библиотеку urllib2 для Python 2.X и библиотеку urllib.request для Python 3.X. Вы передадите данные ScoreData, содержащие FeatureVector — n-мерный вектор числовых параметров, представляющий ScoreData. Службу машинного обучения можно аутентифицировать с помощью ключа API.

Для запуска примера выполните следующие действия:

1. Разверните эксперимент "Sample 1: Download dataset from UCI: Adult 2 class dataset" (Пример 1. Скачивание набора данных из UCI: набор данных для класса Adult 2), входящий в набор примеров машинного обучения.
2. Присвойте переменной apiKey ключ из веб-службы. См. раздел Получение ключа авторизации в начале этой статьи.
3. Назначьте serviceUri с URI запроса.

Вот как будет выглядеть полный запрос:

import urllib2 # urllib.request and urllib.error for Python 3.X
import json

data = {
    "Inputs": {
        "input1":
        [
            {
                'column1': "value1",   
                'column2': "value2",   
                'column3': "value3"
            }
        ],
    },
    "GlobalParameters":  {}
}

body = str.encode(json.dumps(data))

# Replace this with the URI and API Key for your web service
url = '<your-api-uri>'
api_key = '<your-api-key>'
headers = {'Content-Type':'application/json', 'Authorization':('Bearer '+ api_key)}

# "urllib.request.Request(url, body, headers)" for Python 3.X
req = urllib2.Request(url, body, headers)

try:
    # "urllib.request.urlopen(req)" for Python 3.X
    response = urllib2.urlopen(req)

    result = response.read()
    print(result)
# "urllib.error.HTTPError as error" for Python 3.X
except urllib2.HTTPError, error: 
    print("The request failed with status code: " + str(error.code))

    # Print the headers - they include the request ID and the timestamp, which are useful for debugging the failure
    print(error.info())
    print(json.loads(error.read())) 

Пример на языке R

Чтобы подключиться к веб-службе машинного обучения, используйте для выполнения запроса и обработки ответа в формате JSON библиотеки RCurl и rjson. Вы передадите данные ScoreData, содержащие FeatureVector — n-мерный вектор числовых характеристик, который описывает ScoreData. Службу машинного обучения можно аутентифицировать с помощью ключа API.

Вот как будет выглядеть полный запрос:

library("curl")
library("httr")
library("rjson")

requestFailed = function(response) {
    return (response$status_code >= 400)
}

printHttpResult = function(response, result) {
    if (requestFailed(response)) {
        print(paste("The request failed with status code:", response$status_code, sep=" "))
    
        # Print the headers - they include the request ID and the timestamp, which are useful for debugging the failure
        print(response$headers)
    }
    
    print("Result:") 
    print(fromJSON(result))  
}

req = list(
        Inputs = list( 
            "input1" = list(
                "ColumnNames" = list("Col1", "Col2", "Col3"),
                "Values" = list( list( "0", "value", "0" ),  list( "0", "value", "0" )  )
            )                ),
        GlobalParameters = setNames(fromJSON('{}'), character(0))
)

body = enc2utf8(toJSON(req))
api_key = "abc123" # Replace this with the API key for the web service
authz_hdr = paste('Bearer', api_key, sep=' ')

response = POST(url= "<your-api-uri>",
        add_headers("Content-Type" = "application/json", "Authorization" = authz_hdr),
        body = body)

result = content(response, type="text", encoding="UTF-8")

printHttpResult(response, result)

Пример на языке JavaScript

Чтобы подключиться к веб-службе машинного обучения, используйте в своем проекте пакет npm request. Кроме того, для форматирования входных данных и анализа результата вы будете использовать объект JSON. Выполните установку с помощью npm install request --save или добавьте "request": "*" в файл package.json в разделе dependencies и запустите npm install.

Вот как будет выглядеть полный запрос:

let req = require("request");

const uri = "<your-api-uri>";
const apiKey = "<your-api-key>";

let data = {
    "Inputs": {
        "input1":
        [
            {
                'column1': "value1",
                'column2': "value2",
                'column3': "value3"
            }
        ],
    },
    "GlobalParameters": {}
}

const options = {
    uri: uri,
    method: "POST",
    headers: {
        "Content-Type": "application/json",
        "Authorization": "Bearer " + apiKey,
    },
    body: JSON.stringify(data)
}

req(options, (err, res, body) => {
    if (!err && res.statusCode == 200) {
        console.log(body);
    } else {
        console.log("The request failed with status code: " + res.statusCode);
    }
});