Requisitos de la función de puntuación

• Existen dos formas de añadir el objeto de función score :
  • explícitamente, por usuario
  • implícitamente, por el método que se utiliza para guardar la función Python como un activo en el repositorio watsonx.ai Runtime
• La función " score " puede aceptar un único parámetro de entrada JSON o dos parámetros: payload y bearer token.
• La función score debe devolver un objeto serializable por JSON (por ejemplo, diccionarios o listas).

Requisitos de entrada de puntuación

• La carga útil de entrada de puntuación debe incluir una matriz con el nombre values, tal como se muestra en este esquema de ejemplo. El parámetro input_data es obligatorio en la carga útil. El parámetro input_data también puede incluir pares nombre-valor adicionales.

  {"input_data": [{
     "values": [["Hello world!"]]
                 }]
  }
  

• La carga útil de entrada de puntuación debe pasarse como valor de parámetro de entrada para " score. De esta forma, puede asegurarse de que el valor del parámetro de entrada score se maneja en consecuencia dentro de score.

• La carga útil de la entrada de puntuación debe coincidir con los requisitos de entrada para la función de Python en cuestión.

• La carga útil de entrada de puntuación debe incluir una matriz que coincida con el Esquema de datos de entrada de ejemplo.

 {"input_data": [{
    "values": [["Hello, world!"]]
                }]
 }

Ejemplo de código Python (payload y token)

#wml_python_function
def my_deployable_function():

    def score(payload, token):

        message_from_input_payload = payload.get("input_data")[0].get("values")[0][0]
        response_message = "Received message - {0}".format(message_from_input_payload)

        # Score using the pre-defined model
        score_response = {
            'predictions': [{'fields': ['Response_message_field'],
                             'values': [[response_message]]
                            }]
        }
        return score_response

    return score

score = my_deployable_function()

Pruebe su función Python

Así es como puedes probar tu función Python:

input_data = { "input_data": [{ "fields": [ "message" ],
                                "values": [[ "Hello, world!" ]]
                               }
                              ]
             }
function_result = score( input_data )
print( function_result )

Devuelve el mensaje "¡Hola, mundo!".

Creación de funciones desplegables mediante la API REST

Para las API REST, puesto que la función Python se carga directamente a través de un archivo, el archivo ya debe contener la función score . Cualquier importación única que sea necesario realizar para utilizarla más adelante dentro de la función score se puede realizar dentro del ámbito global del archivo. Cuando este archivo se despliega como una función de Python, las importaciones de una sola vez disponibles en el ámbito global se ejecutan durante el despliegue y más tarde simplemente se reutilizan con cada solicitud de predicción.

Archivo de función score de ejemplo:

Score function.py
---------------------
def score(input_data):
    return {'predictions': [{'values': [['Just a test']]}]}

Función de ejemplo de score con importaciones de una vez:

import subprocess
subprocess.check_output('pip install gensim --user', shell=True)
import gensim

def score(input_data):
    return {'predictions': [{'fields': ['gensim_version'], 'values': [[gensim.__version__]]}]}

Creación de funciones desplegables mediante el cliente de Python

Para conservar una función de Python como un activo, el cliente de Python utiliza el método wml_client.repository.store_function. Puedes persistir una función Python de dos maneras:

• A través de un archivo que contiene la función Python
• A través del objeto de función

def my_deployable_function():

    import subprocess
    subprocess.check_output('pip install gensim', shell=True)
    import gensim

    def score(input_data):
        import
        message_from_input_payload = payload.get("input_data")[0].get("values")[0][0]
        response_message = "Received message - {0}".format(message_from_input_payload)

        # Score using the pre-defined model
        score_response = {
            'predictions': [{'fields': ['Response_message_field', 'installed_lib_version'],
                             'values': [[response_message, gensim.__version__]]
                            }]
        }
        return score_response

    return score

function_meta = {
    client.repository.FunctionMetaNames.NAME:"test_function",
    client.repository.FunctionMetaNames.SOFTWARE_SPEC_ID: sw_spec_id
}
func_details = client.repository.store_function(my_deployable_function, function_meta)

score = my_deployable_function()