Wymagania dotyczące funkcji oceny

• Istnieją dwa sposoby dodawania obiektu funkcji score :
  • jawnie, przez użytkownika
  • niejawnie za pomocą metody, która jest używana do zapisywania funkcji Python jako zasobu aplikacyjnego w repozytorium Watson Machine Learning
• Funkcja score musi akceptować pojedynczy parametr wejściowy JSON.
• Funkcja score musi zwracać obiekt JSON-serializable (na przykład: słowniki lub lists)

Ocenianie wymagań wejściowych

• Ładunek wejściowy oceniania musi zawierać tablicę o nazwie values, jak to pokazano w tym przykładowym schemacie.

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

  Uwaga:
  -Parametr ` input_data ` jest obowiązkowy w ładunku.
  -Parametr ` input_data ` może również zawierać dodatkowe pary nazwa-wartość.

• Ładunek wejściowy oceniania musi być przekazywany jako wartość parametru wejściowego dla score. W ten sposób można się upewnić, że wartość parametru wejściowego score jest obsługiwana odpowiednio wewnątrz partycji score.

• Ładunek danych wejściowych oceniania musi być zgodny z wymaganiami wejściowymi dla danej funkcji Python .

• Ładunek danych wejściowych oceniania musi zawierać tablicę, która jest zgodna z przykładowym schematem danych wejściowych.

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

Przykładowy kod Python

#wml_python_function
def my_deployable_function():

    def score( payload ):

        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()

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

Zwraca komunikat "Hello world!".

Tworzenie wdrażalnych funkcji za pośrednictwem interfejsu REST API

W przypadku interfejsów REST API, ponieważ funkcja Python jest przesyłana bezpośrednio przez plik, plik musi już zawierać funkcję score . Każdy import jednorazowy, który musi zostać użyty do późniejszego użycia w ramach funkcji score , może być wykonany w zasięgu globalnym pliku. Gdy ten plik jest wdrażany jako funkcja Python , jednorazowy import dostępny w zasięgu globalnym jest wykonywany podczas wdrażania, a następnie po prostu ponownie wykorzystuje się przy każdym żądaniu predykcji.

Przykładowy plik funkcji score :

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

Przykładowa funkcja score z jednym importem czasu:

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__]]}]}

Tworzenie wdrażalnych funkcji za pośrednictwem klienta Python

Aby utrwalić funkcję Python jako zasób aplikacyjny, klient Python korzysta z metody wml_client.repository.store_function . Można to zrobić na dwa sposoby:

• Utrwalanie funkcji przy użyciu pliku zawierającego funkcję Python
• Utrwalanie funkcji przez obiekt funkcji

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()