Requisiti della funzione di punteggio

• Esistono due modi per aggiungere l'oggetto funzione score :
  • esplicitamente, per utente
  • implicitamente, dal metodo utilizzato per salvare la funzione Python come risorsa nel repository watsonx.ai Runtime
• La funzione " score può accettare un singolo parametro di ingresso JSON o due parametri: payload e token del portatore.
• La funzione " score deve restituire un oggetto serializzabile JSON (ad esempio: dizionari o elenchi).

Requisiti di input per il calcolo del punteggio

• Il payload di input del calcolo del punteggio deve includere un array con il nome values, come mostrato in questo schema di esempio. Il parametro input_data è obbligatorio nel payload. Il parametro input_data può includere anche ulteriori coppie nome - valore.

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

• Il payload di ingresso del punteggio deve essere passato come valore del parametro di ingresso per 'score. In questo modo è possibile garantire che il valore del parametro di immissione score sia gestito di conseguenza all'interno di score.

• Il payload di input del calcolo del punteggio deve soddisfare i requisiti di input per la relativa funzione Python .

• Il payload di input del calcolo del punteggio deve includere un array corrispondente allo Schema dati di input di esempio.

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

Esempio di codice Python (payload e 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()

Testare la funzione Python

Ecco come testare la vostra funzione Python:

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

Restituisce il messaggio "Hello, world!".

Creazione di funzioni distribuibili tramite l'API REST

Per le API REST, poiché la funzione Python viene caricata direttamente tramite un file, il file deve contenere già la funzione score . Qualsiasi importazione che deve essere eseguita una sola volta per essere utilizzata successivamente all'interno della funzione score può essere eseguita all'interno dell'ambito globale del file. Quando questo file viene distribuito come funzione Python , le importazioni uniche disponibili nell'ambito globale vengono eseguite durante la distribuzione e successivamente semplicemente riutilizzate con ogni richiesta di previsione.

File di funzione score di esempio:

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

Funzione score di esempio con importazioni una sola volta:

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__]]}]}

Creazione di funzioni distribuibili mediante il client Python

Per rendere persistente una funzione Python come un asset, il client Python utilizza il metodo wml_client.repository.store_function . È possibile persistere una funzione Python in due modi:

• Attraverso un file che contiene la funzione Python
• Attraverso l'oggetto funzione

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()