Puan işlevi gereksinimleri

• score işlev nesnesini eklemenin iki yolu vardır:
  • belirtik olarak, kullanıcıya göre
  • örtük olarak, Python işlevini Watson Machine Learning havuzunda varlık olarak kaydetmek için kullanılan yöntemle
• score işlevi tek bir JSON giriş parametresini kabul etmelidir.
• score işlevi, JSON-diziselleştirilebilir bir nesne döndürmelidir (örneğin: sözlükler ya da listeler)

Giriş gereksinimlerini puanlama

• Puanlama girişi bilgi yükü, bu örnek şemada gösterildiği gibi valuesadlı bir dizi içermelidir.

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

  Not:
  -` input_data ` parametresi bilgi yükünde zorunludur.
  -` input_data ` parametresi ek ad-değer çiftleri de içerebilir.

• Puanlama giriş bilgi yükü, scoreiçin giriş parametresi değeri olarak iletilmelidir. Bu şekilde, score giriş parametresi değerinin scoreiçinde uygun şekilde işlendiğinden emin olun.

• Puanlama girişi bilgi yükü, ilgili Python işlevine ilişkin giriş gereksinimleriyle eşleşmelidir.

• Puanlama girişi bilgi yükü, Örnek giriş verileri şemasıylaeşleşen bir dizi içermelidir.

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

Örnek Python kodu

#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 )

"Merhaba dünya!" mesajını verir.

REST API 'si aracılığıyla devreye alınabilir işlevler oluşturma

REST API ' leri için, Python işlevi doğrudan bir dosya üzerinden karşıya yüklendiğinden, dosyanın score işlevini önceden içermesi gerekir. Daha sonra score işlevinde kullanılması gereken herhangi bir zaman içe aktarma işlemi, dosyanın genel kapsamı içinde gerçekleştirilebilir. Bu dosya bir Python işlevi olarak konuşlandırıldığında, genel kapsamda bulunan tek seferlik içe aktarmalar konuşlandırma sırasında yürütülür ve daha sonra her öngörü isteğiyle yeniden kullanılır.

Örnek score işlev dosyası:

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

Bir kerede içe aktarmalar içeren örnek score işlevi:

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__]]}]}

Python istemcisi aracılığıyla konuşlandırılabilir işlevler oluşturma

Bir Python işlevini varlık olarak kalıcı kılmak için, Python istemcisi wml_client.repository.store_function yöntemini kullanır. Bunu iki şekilde yapabilirsiniz:

• Python işlevini içeren bir dosya aracılığıyla işlevin kalıcı kılınması
• İşlev nesnesi aracılığıyla işlevin kalıcı kılınması

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()