Schnellstart: Benutzerdefinierte Stimmungsanalyse (Vorschau)

Artikel
01/25/2024

Verwenden Sie diesen Artikel, um mit dem Erstellen eines Projekts zur benutzerdefinierten Stimmungsanalyse zu beginnen, in dem Sie benutzerdefinierte Modelle zum Erkennen der Stimmung von Text trainieren können. Ein Modell ist KI-Software, die für eine bestimmte Aufgabe trainiert wurde. Für dieses System klassifizieren die Modelle Text und werden durch Lernen aus bezeichneten Daten trainiert.

Voraussetzungen

Azure-Abonnement – Erstellen eines kostenlosen Kontos

Erstellen einer neuen Azure-Sprachressource und eines Azure-Speicherkontos

Bevor Sie die benutzerdefinierte Stimmungsanalyse verwenden können, müssen Sie eine Azure-Sprachressource erstellen. Sie erhalten dann die Anmeldeinformationen, die Sie benötigen, um ein Projekt zu erstellen und mit dem Training eines Modells zu beginnen. Sie benötigen außerdem ein Azure-Speicherkonto, in das Sie Ihr Dataset hochladen können, das zum Erstellen des Modells verwendet wird.

Wichtig

Für einen schnellen Einstieg empfiehlt sich die Erstellung einer neuen Azure-Language-Ressource mithilfe der in diesem Artikel angegebenen Schritte. Mit den Schritten in diesem Artikel können Sie gleichzeitig die Language-Ressource und das Speicherkonto erstellen – das ist einfacher als die Kontoerstellung zu einem späteren Zeitpunkt.

Erstellen einer neuen Ressource im Azure-Portal

Wechseln Sie zum Azure-Portal, um eine neue Azure KI Language-Ressource zu erstellen.
Wählen Sie in dem nun erscheinenden Fenster diesen Dienst aus den benutzerdefinierten Funktionen aus. Wählen Sie unten auf dem Bildschirm Erstellung Ihrer Ressource fortsetzen aus.

Erstellen Sie eine Sprachressource mit den folgenden Details:

Name	BESCHREIBUNG
Subscription	Ihr Azure-Abonnement.
Ressourcengruppe	Eine Ressourcengruppe, die Ihre Ressource enthält. Sie können eine vorhandene verwenden oder eine neue erstellen.
Region	Die Region Ihrer Sprachressource. Beispiel: „USA, Westen 2“.
Name	Ein Name für Ihre Ressource.
Tarif	Der Tarif für Ihre Sprachressource Sie können den kostenlosen Tarif (F0) verwenden, um den Dienst auszuprobieren.

Hinweis

Wenn Sie in einer Meldung darauf hingewiesen werden, dass Ihr Anmeldekonto kein Besitzer der Ressourcengruppe des ausgewählten Speicherkontos ist, muss Ihrem Konto eine Besitzerrolle für die Ressourcengruppe zugewiesen werden, bevor Sie eine Sprachressource erstellen können. Wenden Sie sich an den Besitzer des Azure-Abonnements, um Unterstützung zu erhalten.

Wählen Sie im Abschnitt dieses Diensts ein vorhandenes Speicherkonto oder Neues Speicherkonto aus. Diese Werte sollen den Einstieg erleichtern und nicht unbedingt die Speicherkontowerte darstellen, die in Produktionsumgebungen verwendet werden sollten. Um Wartezeit beim Erstellen Ihres Projekts zu vermeiden, sollten Sie eine Verbindung mit Speicherkonten in derselben Region herstellen, in der sich auch Ihre Sprachressource befindet.

Speicherkontowert Empfohlener Wert

Speicherkontoname Beliebiger Name

Speicherkontotyp Standardmäßiger LRS
Stellen Sie sicher, dass die verantwortungsvolle KI-Benachrichtigung überprüft wird. Wählen Sie dann am unteren Rand der Seite die Schaltfläche Überprüfen + Erstellen aus und wählen Sie dann Erstellen aus.

Speicherkontowert	Empfohlener Wert
Speicherkontoname	Beliebiger Name
Speicherkontotyp	Standardmäßiger LRS

Hochladen von Beispieldaten in den Blobcontainer

Nachdem Sie ein Azure-Speicherkonto erstellt und es mit Ihrer Sprachressource verknüpft haben, müssen Sie die Dokumente aus dem Beispieldataset in das Stammverzeichnis Ihres Containers hochladen. Diese Dokumente werden später zum Trainieren Ihres Modells verwendet.

Laden Sie zunächst das Beispieldataset für Projekte für die benutzerdefinierte Stimmungsanalyse herunter. Öffnen Sie die ZIP-Datei, und extrahieren Sie den Ordner mit den darin enthaltenen Dokumenten. Das bereitgestellte Beispieldataset enthält Dokumente, bei denen es sich jeweils um ein kurzes Beispiel für eine Kundenbewertung handelt.

Suchen der Dateien, die in Ihr Speicherkonto hochgeladen werden sollen
Navigieren Sie im Azure-Portal zu dem Speicherkonto, das Sie erstellt haben, und wählen Sie es aus.
Klicken Sie in Ihrem Speicherkonto im Menü auf der linken Seite unter Datenspeicher auf Container. Klicken Sie im angezeigten Bildschirm auf + Container. Geben Sie dem Container den Namen example-data, und übernehmen Sie den Standardwert für Öffentliche Zugriffsebene.
Wählen Sie den neu erstellten Container aus. Wählen Sie dann die Schaltfläche Hochladen aus, um die Dateien .txt und .json auszuwählen, die Sie zuvor heruntergeladen haben.

Erstellen eines Projekts für die benutzerdefinierte Stimmungsanalyse

Nachdem Ihre Ressource und der Speichercontainer konfiguriert wurden, erstellen Sie ein neues Projekt für die benutzerdefinierte Stimmungsanalyse. Ein Projekt ist ein Arbeitsbereich zum Erstellen Ihrer benutzerdefinierten ML-Modelle auf der Grundlage Ihrer Daten. Auf Ihr Projekt können nur Sie und andere Personen zugreifen, die Zugriff auf die verwendete Sprachressource haben.

Melden Sie sich bei Language Studio an. Es wird ein Fenster angezeigt, in dem Sie Ihr Abonnement und Ihre Sprachressource auswählen können. Wählen Sie die Sprachressource aus, die Sie im Schritt oben erstellt haben.
Wählen Sie das Feature aus, das Sie in Language Studio verwenden möchten.
Wählen Sie im oberen Menü Ihrer Projektseite Neues Projekt erstellen aus. Durch das Erstellen eines Projekts können Sie Daten bezeichnen sowie Ihre Modelle trainieren, auswerten, verbessern und bereitstellen.
Geben Sie die Projektinformationen ein, einschließlich eines Namens, einer Beschreibung und der Sprache der Dateien in Ihrem Projekt. Wenn Sie das Beispieldataset verwenden, wählen Sie Englisch aus. Sie können den Namen Ihres Projekts später nicht mehr ändern. Wählen Sie Weiter aus.

Tipp

Ihr Dataset muss nicht zur Gänze in derselben Sprache vorliegen. Sie können mehrere Dokumente verwenden, jedes mit jeweils anderen unterstützten Sprachen. Wenn Ihr Dataset Dokumente in verschiedenen Sprachen enthält oder Sie zur Laufzeit mit Text mit verschiedenen Sprachen rechnen, wählen Sie die Option Mehrsprachiges Dataset aktivieren aus, wenn Sie die grundlegenden Informationen für Ihr Projekt eingeben. Diese Option kann später auf der Seite Projekteinstellungen aktiviert werden.
Nachdem Sie Neues Projekt erstellen ausgewählt haben, wird ein Fenster angezeigt, in dem Sie eine Verbindung mit Ihrem Speicherkonto herstellen können. Wenn Sie bereits ein Speicherkonto verbunden haben, wird das verbundene Speicherkonto angezeigt. Falls nicht, wählen Sie Ihr Speicherkonto im angezeigten Dropdownmenü aus, und klicken Sie auf Speicherkonto verbinden. Dadurch werden die erforderlichen Rollen für Ihr Speicherkonto festgelegt. Dieser Schritt gibt möglicherweise einen Fehler zurück, wenn Sie nicht als Besitzer des Speicherkontos zugewiesen sind.
Hinweis
- Sie müssen diesen Schritt nur einmal für jede neue Ressource durchführen, die Sie verwenden.
- Dieser Prozess kann nicht rückgängig gemacht werden – wenn Sie ein Speicherkonto mit Ihrer Sprachressource verbinden, können Sie die Verbindung später nicht trennen.
- Sie können Ihre Sprachressource nur mit einem Speicherkonto verbinden.
Wählen Sie den Container aus, in den Sie Ihr Dataset hochgeladen haben.
Wenn Sie die Daten bereits beschriftet haben, stellen Sie sicher, dass sie dem unterstützten Format entsprechen, und wählen Sie Ja, meine Dateien sind bereits beschriftet, und ich habe die JSON-Bezeichnungsdatei formatiert. aus. Wählen Sie die Bezeichnungsdatei im Dropdownmenü aus. Wählen Sie Weiter aus. Wenn Sie das Dataset aus der Schnellstartanleitung verwenden, ist es nicht erforderlich, die Formatierung der JSON-Bezeichnungsdatei zu überprüfen.
Überprüfen Sie die eingegebenen Daten, und wählen Sie Projekt erstellen aus.

Trainieren Ihres Modells

Nachdem Sie ein Projekt erstellt haben, beginnen Sie in der Regel damit, die Dokumente zu bezeichnen, die im mit Ihrem Projekt verknüpften Container vorhanden sind. Für diese Schnellstartanleitung haben Sie ein bezeichnetes Beispieldataset importiert und Ihr Projekt mit der JSON-Beispielbezeichnungsdatei initialisiert.

So beginnen Sie das Training Ihres Modells über Language Studio:

Wählen Sie Trainingsaufträge aus dem Menü auf der linken Seite aus.
Wählen Sie im oberen Menü Trainingsauftrag starten aus.
Wählen Sie Neues Modell trainieren aus, und geben Sie den Namen des Modells im Textfeld darunter ein. Sie können auch ein vorhandenes Modell überschreiben, indem Sie diese Option auswählen und das Modell, das Sie überschreiben möchten, im Dropdownmenü auswählen. Das Überschreiben eines trainierten Modells kann nicht rückgängig gemacht werden, wirkt sich jedoch erst auf Ihre bereitgestellten Modelle aus, wenn Sie das neue Modell bereitstellen.
Standardmäßig teilt das System Ihre beschrifteten Daten entsprechend den angegebenen Prozentsätzen zwischen den Trainings- und den Testsätzen auf. Wenn Sie Dokumente in Ihrem Testsatz haben, können Sie die Trainings- und Testdaten manuell aufteilen.
Wählen Sie die Schaltfläche Train (Trainieren) aus.
Wenn Sie die Trainingsauftrags-ID in der Liste auswählen, wird ein Seitenbereich angezeigt, in dem Sie den Trainingsfortschritt, den Auftragsstatus und andere Details für diesen Auftrag überprüfen können.
Hinweis
- Nur erfolgreich abgeschlossene Trainingsaufträge generieren Modelle.
- Je nach Größe Ihrer beschrifteten Daten kann das Training wenige Minuten oder mehrere Stunden dauern.
- Es kann jeweils nur ein Trainingsauftrag ausgeführt werden. Sie können keinen anderen Trainingsauftrag innerhalb desselben Projekts starten, bis der ausgeführte Auftrag abgeschlossen ist.

Bereitstellen Ihres Modells

Im Allgemeinen überprüfen Sie nach dem Trainieren eines Modells seine Auswertungsdetails und nehmen bei Bedarf Verbesserungen vor. In diesem Schnellstart stellen Sie einfach Ihr Modell bereit und stellen es zur Verfügung, um es in Language Studio auszuprobieren. Alternativ können Sie die Vorhersage-API aufrufen.

So stellen Sie Ihr Modell über Language Studio bereit:

Wählen Sie im Menü auf der linken Seite Bereitstellen eines Modells aus.
Wählen Sie Bereitstellung hinzufügen aus, um einen neuen Bereitstellungsauftrag zu starten.
Wählen Sie Neue Bereitstellung erstellen aus, um eine neue Bereitstellung zu erstellen und ein trainiertes Modell aus der Dropdownliste unten zuzuweisen. Sie können auch eine vorhandene Bereitstellung überschreiben, indem Sie diese Option und das trainierte Modell auswählen, das Sie ihr aus der Dropdownliste zuweisen möchten.

Hinweis

Das Überschreiben einer vorhandenen Bereitstellung erfordert keine Änderungen an Ihrem Vorhersage-API-Aufruf, aber die Ergebnisse, die Sie erhalten, basieren auf dem neu zugewiesenen Modell.
Wählen Sie Bereitstellen aus, um die Bereitstellungsauftrag zu starten.
Nachdem die Bereitstellung ausgeführt wurde, wird ein Ablaufdatum neben dem Vorgang angezeigt. Der Bereitstellungsablauf ist dann, wenn Ihr bereitgestelltes Modell für die Vorhersage nicht verfügbar ist, was in der Regel zwölf Monate nach Ablauf einer Schulungskonfiguration der Fall ist.

Testen des Modells

Nachdem Ihr Modell bereitgestellt wurde, können Sie es verwenden, um Ihren Text über die Vorhersage-API zu klassifizieren. In diesem Schnellstart verwenden Sie das Language Studio, um die Aufgabe für die benutzerdefinierte Stimmungsanalyse zu übermitteln und die Ergebnisse zu visualisieren. Im zuvor heruntergeladenen Beispieldataset finden Sie einige Testdokumente, die Sie in diesem Schritt verwenden können.

So testen Sie Ihre bereitgestellten Modelle über Language Studio

Wählen Sie Testbereitstellungen aus dem Menü auf der linken Seite aus.
Wählen Sie die Bereitstellung aus, die Sie testen möchten. Sie können nur Modelle testen, die Bereitstellungen zugewiesen sind.
Wählen Sie für mehrsprachige Projekte die Sprache des Textes, den Sie testen möchten, über das Dropdownmenü „Sprache“ aus.
Wählen Sie die Bereitstellung aus der Dropdownliste aus, die Sie abfragen bzw. testen möchten.
Sie können den Text eingeben, den Sie in der Anforderung übermitteln möchten, oder laden Sie eine zu verwendende .txt-Datei hoch.
Wählen Sie im oberen Menü Test ausführen aus.
Auf der Registerkarte Ergebnis sehen Sie die aus Ihrem Text extrahierten Entitäten und ihren Typ. Auf der Registerkarte JSON können Sie außerdem die JSON-Antwort anzeigen.

Bereinigen von Projekten

Wenn Sie Ihr Projekt nicht mehr benötigen, können Sie das Projekt mithilfe von Language Studio löschen. Wählen Sie oben das Feature aus, das Sie verwenden, und wählen Sie dann das Projekt aus, das Sie löschen möchten. Wählen Sie im oberen Menü Löschen aus, um das Projekt zu löschen.

Voraussetzungen

Azure-Abonnement – Erstellen eines kostenlosen Kontos

Erstellen einer neuen Azure-Sprachressource und eines Azure-Speicherkontos

Wichtig

Für einen schnellen Einstieg empfiehlt es sich, eine neue Azure-Sprachressource anhand der in diesem Artikel beschriebenen Schritte zu erstellen. Dies hilft Ihnen, die Sprachressource zu erstellen und gleichzeitig ein Speicherkonto zu erstellen und/oder zu verknüpfen, was einfacher ist, als dies später nachzuholen.

Erstellen einer neuen Ressource im Azure-Portal

Wechseln Sie zum Azure-Portal, um eine neue Azure KI Language-Ressource zu erstellen.
Wählen Sie in dem nun erscheinenden Fenster diesen Dienst aus den benutzerdefinierten Funktionen aus. Wählen Sie unten auf dem Bildschirm Erstellung Ihrer Ressource fortsetzen aus.

Erstellen Sie eine Sprachressource mit den folgenden Details:

Name	BESCHREIBUNG
Subscription	Ihr Azure-Abonnement.
Ressourcengruppe	Eine Ressourcengruppe, die Ihre Ressource enthält. Sie können eine vorhandene verwenden oder eine neue erstellen.
Region	Die Region Ihrer Sprachressource. Beispiel: „USA, Westen 2“.
Name	Ein Name für Ihre Ressource.
Tarif	Der Tarif für Ihre Sprachressource Sie können den kostenlosen Tarif (F0) verwenden, um den Dienst auszuprobieren.

Hinweis

Wählen Sie im Abschnitt dieses Diensts ein vorhandenes Speicherkonto oder Neues Speicherkonto aus. Diese Werte sollen den Einstieg erleichtern und nicht unbedingt die Speicherkontowerte darstellen, die in Produktionsumgebungen verwendet werden sollten. Um Wartezeit beim Erstellen Ihres Projekts zu vermeiden, sollten Sie eine Verbindung mit Speicherkonten in derselben Region herstellen, in der sich auch Ihre Sprachressource befindet.

Speicherkontowert Empfohlener Wert

Speicherkontoname Beliebiger Name

Speicherkontotyp Standardmäßiger LRS
Stellen Sie sicher, dass die verantwortungsvolle KI-Benachrichtigung überprüft wird. Wählen Sie dann am unteren Rand der Seite die Schaltfläche Überprüfen + Erstellen aus und wählen Sie dann Erstellen aus.

Speicherkontowert	Empfohlener Wert
Speicherkontoname	Beliebiger Name
Speicherkontotyp	Standardmäßiger LRS

Hochladen von Beispieldaten in den Blobcontainer

Suchen der Dateien, die in Ihr Speicherkonto hochgeladen werden sollen
Navigieren Sie im Azure-Portal zu dem Speicherkonto, das Sie erstellt haben, und wählen Sie es aus.
Klicken Sie in Ihrem Speicherkonto im Menü auf der linken Seite unter Datenspeicher auf Container. Klicken Sie im angezeigten Bildschirm auf + Container. Geben Sie dem Container den Namen example-data, und übernehmen Sie den Standardwert für Öffentliche Zugriffsebene.
Wählen Sie den neu erstellten Container aus. Wählen Sie dann die Schaltfläche Hochladen aus, um die Dateien .txt und .json auszuwählen, die Sie zuvor heruntergeladen haben.

Abrufen Ihres Schlüssels und Endpunkts

Als Nächstes benötigen Sie den Schlüssel und Endpunkt der Ressource, um Ihre Anwendung mit der API zu verbinden. Der Schlüssel und der Endpunkt werden später in der Schnellstartanleitung in den Code eingefügt.

Klicken Sie nach erfolgreicher Bereitstellung der Sprachressource unter Nächste Schritte auf die Schaltfläche Zu Ressource wechseln.
Wählen Sie auf dem Bildschirm für Ihre Ressource im linken Navigationsmenü die Option Schlüssel und Endpunkt aus. Sie verwenden einen Ihrer Schlüssel und Ihren Endpunkt in den folgenden Schritten.

Erstellen eines Projekts für die benutzerdefinierte Stimmungsanalyse

Auslösen des Importprojektauftrags

Übermitteln Sie eine POST-Anforderung mithilfe der folgenden URL, der Header und des JSON-Texts, um Ihre Bezeichnungsdatei zu importieren.

Wenn bereits ein Projekt mit demselben Namen existiert, werden die Daten dieses Projekts ersetzt.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}/:import?api-version={API-VERSION}

Platzhalter	Wert	Beispiel
`{ENDPOINT}`	Der Endpunkt für die Authentifizierung Ihrer API-Anforderung.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Der Name für Ihr Projekt. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`myProject`
`{API-VERSION}`	Die Version der von Ihnen aufgerufenen API. Der hier referenzierte Wert gilt für die neueste veröffentlichte Version. Weitere Informationen zu anderen verfügbaren API-Versionen finden Sie hier.	`2023-04-15-preview`

Header

Verwenden Sie den folgenden Header, um Ihre Anforderung zu authentifizieren.

Schlüssel	Wert
`Ocp-Apim-Subscription-Key`	Der Schlüssel für Ihre Ressource. Wird für die Authentifizierung Ihrer API-Anforderungen verwendet.

Body

Verwenden Sie den folgenden JSON-Code in Ihrer Anforderung. Ersetzen Sie die folgenden Platzhalter durch Ihre eigenen Werte.

{
  "projectFileVersion": "2023-04-15-preview",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectKind": "CustomTextSentiment",
    "storageInputContainerName": "text-sentiment",
    "projectName": "TestSentiment",
    "multilingual": false,
    "description": "This is a Custom sentiment analysis project.",
    "language": "en-us"
  },
  "assets": {
    "projectKind": "CustomTextSentiment",
    "documents": [
      {
        "location": "documents/document_1.txt",
        "language": "en-us",
        "sentimentSpans": [
            {
                "category": "negative",
                "offset": 0,
                "length": 28
            }
        ]
      },
      {
          "location": "documents/document_2.txt",
          "language": "en-us",
          "sentimentSpans": [
              {
                  "category": "negative",
                  "offset": 0,
                  "length": 24
              }
          ]
      },
      {
          "location": "documents/document_3.txt",
          "language": "en-us",
          "sentimentSpans": [
              {
                  "category": "neutral",
                  "offset": 0,
                  "length": 18
              }
          ]
      }
    ]
  }
}

Schlüssel	Platzhalter	Wert	Beispiel
api-version	`{API-VERSION}`	Die Version der von Ihnen aufgerufenen API. Die hier verwendete Version muss mit der API-Version in der URL identisch sein. Weitere Informationen zu anderen verfügbaren API-Versionen finden Sie hier.	`2023-04-15-preview`
projectName	`{PROJECT-NAME}`	Der Name des Projekts. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`myProject`
projectKind	`CustomTextSentiment`	Die Art Ihres Projekts	`CustomTextSentiment`
language	`{LANGUAGE-CODE}`	Eine Zeichenfolge, die den Sprachcode für die in Ihrem Projekt verwendeten Dokumente angibt. Wählen Sie bei einem mehrsprachigen Projekt den Sprachcode für die Sprache aus, die in den meisten der Dokumente verwendet wird. Informationen zur Unterstützung mehrerer Sprachen finden Sie unter Sprachunterstützung.	`en-us`
multilingual	`true`	Dies ist ein boolescher Wert, der es ermöglicht, dass Ihr Dataset Dokumente in mehreren Sprachen enthält. Wenn Ihr Modell bereitgestellt wird, können Sie das Modell in jeder unterstützten Sprache abfragen, die nicht zwangsläufig in Ihren Trainingsdokumenten enthalten ist. Informationen zur Unterstützung mehrerer Sprachen finden Sie unter Sprachunterstützung.	`true`
storageInputContainerName	`{CONTAINER-NAME}`	Dies ist der Name Ihres Azure-Speichercontainers, in dem Sie Ihre Dokumente hochgeladen haben.	`myContainer`
Dokumente	[]	Dies ist ein Array, das alle Dokumente in Ihrem Projekt und die für dieses Dokument beschrifteten Klassen enthält.	[]
location	`{DOCUMENT-NAME}`	Dies ist der Speicherort der Dokumente im Speichercontainer. Da sich alle Dokumente im Stammverzeichnis des Containers befinden, sollte dies der Dokumentname sein.	`doc1.txt`
sentimentSpans	`{sentimentSpans}`	Die Stimmung eines Dokuments (positiv, neutral, negativ), die Position, an der die Stimmung beginnt, und ihre Länge	[]

Nachdem Sie Ihre API-Anforderung gesendet haben, erhalten Sie eine Antwort vom Typ 202, die angibt, dass der Auftrag ordnungsgemäß übermittelt wurde. Extrahieren Sie in den Antwortheadern den operation-location-Wert. Er weist das folgende Format auf:

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}

{JOB-ID} wird verwendet, um Ihre Anforderung zu identifizieren, da es sich um einen asynchronen Vorgang handelt. Sie verwenden diese URL, um den Status des Importauftrags abzurufen.

Mögliche Fehlerszenarios für diese Anforderung:

Das angegebene storageInputContainerName-Element ist nicht vorhanden.
Ein ungültiger Sprachcode wird verwendet, oder der Sprachcodetyp ist keine Zeichenfolge.
Der Wert multilingual ist eine Zeichenfolge und kein boolescher Wert.

Abrufen des Importauftragsstatus

Verwenden Sie die folgende GET-Anforderung, um den Status Ihres Projekts abzurufen. Ersetzen Sie die folgenden Platzhalter durch Ihre eigenen Werte.

Anfrage-URL

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}

Platzhalter	Wert	Beispiel
`{ENDPOINT}`	Der Endpunkt für die Authentifizierung Ihrer API-Anforderung.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Der Name des Projekts. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`myProject`
`{JOB-ID}`	Die ID zum Ermitteln des Trainingsstatus Ihres Modells. Dieser Wert befindet sich im `location`-Headerwert, den Sie im vorherigen Schritt erhalten haben.	`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	Die Version der von Ihnen aufgerufenen API. Der hier referenzierte Wert gilt für die neueste veröffentlichte Version. Weitere Informationen zu anderen verfügbaren API-Versionen finden Sie hier.	`2023-04-15-preview`

Header

Verwenden Sie den folgenden Header, um Ihre Anforderung zu authentifizieren.

Schlüssel	Wert
`Ocp-Apim-Subscription-Key`	Der Schlüssel für Ihre Ressource. Wird für die Authentifizierung Ihrer API-Anforderungen verwendet.

Trainieren Ihres Modells

Nachdem Sie ein Projekt erstellt haben, beginnen Sie in der Regel damit, die Dokumente, die im mit Ihrem Projekt verknüpften Container vorhanden sind, mit Tags zu verstehen. Für diesen Schnellstart haben Sie ein markiertes Beispieldataset importiert und Ihr Projekt mit der JSON-Beispieltagsdatei initialisiert.

Beginnen mit dem Trainieren Ihres Modells

Nachdem das Projekt importiert wurde, können Sie mit dem Trainieren Ihres Modells beginnen.

Übermitteln Sie eine POST-Anforderung mithilfe der folgenden URL, der Header und des JSON-Texts, um einen Trainingsauftrag zu senden. Ersetzen Sie die Platzhalterwerte durch eigene Werte.

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}

Platzhalter	Wert	Beispiel
`{ENDPOINT}`	Der Endpunkt für die Authentifizierung Ihrer API-Anforderung.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Der Name des Projekts. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`myProject`
`{API-VERSION}`	Die Version der von Ihnen aufgerufenen API. Der hier referenzierte Wert gilt für die neueste veröffentlichte Version. Weitere Informationen zu anderen verfügbaren API-Versionen finden Sie hier.	`2023-04-15-preview`

Header

Verwenden Sie den folgenden Header, um Ihre Anforderung zu authentifizieren.

Schlüssel	Wert
`Ocp-Apim-Subscription-Key`	Der Schlüssel für Ihre Ressource. Wird für die Authentifizierung Ihrer API-Anforderungen verwendet.

Anforderungstext

Verwenden Sie den folgenden JSON-Code im Anforderungstext. Das Modell wird {MODEL-NAME} benannt, nachdem das Training abgeschlossen ist. Nur erfolgreiche Trainingsaufträge generieren Modelle.

{
	"modelLabel": "{MODEL-NAME}",
	"trainingConfigVersion": "{CONFIG-VERSION}",
	"evaluationOptions": {
		"kind": "percentage",
		"trainingSplitPercentage": 80,
		"testingSplitPercentage": 20
	}
}

Schlüssel	Platzhalter	Wert	Beispiel
modelLabel	`{MODEL-NAME}`	Der Modellname, der Ihrem Modell nach dem erfolgreichen Training zugewiesen wird	`myModel`
trainingConfigVersion	`{CONFIG-VERSION}`	Dies ist die Modellversion, die zum Trainieren des Modells verwendet wird.	`2023-04-15-preview`
evaluationOptions		Option zum Aufteilen Ihrer Daten zwischen Trainings- und Testsätzen	`{}`
kind	`percentage`	Aufteilungsmethoden Mögliche Werte sind `percentage` oder `manual`.	`percentage`
trainingSplitPercentage	`80`	Prozentsatz der markierten Daten, die in den Trainingssatz einbezogen werden sollen. Der empfohlene Wert ist `80`.	`80`
testingSplitPercentage	`20`	Prozentsatz der markierten Daten, die in den Testsatz einbezogen werden sollen. Der empfohlene Wert ist `20`.	`20`

Hinweis

trainingSplitPercentage und testingSplitPercentage sind nur erforderlich, wenn Kind auf percentage festgelegt ist, und die Summe beider Prozentsätze sollte 100 ergeben.

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

{JOB-ID} wird verwendet, um Ihre Anforderung zu identifizieren, da es sich um einen asynchronen Vorgang handelt. Sie können diese URL zum Abrufen des Trainingsstatus verwenden.

Abrufen des Trainingsauftragsstatus

Das Training kann zwischen 10 und 30 Minuten dauern. Sie können die folgende Anforderung verwenden, um den Status des Trainingsauftrags bis zum erfolgreichen Abschluss abzufragen.

Verwenden Sie die folgende GET-Anforderung, um den Trainingsstatus Ihres Modells abzufragen. Ersetzen Sie die Platzhalterwerte durch eigene Werte.

Anfrage-URL

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

Platzhalter	Wert	Beispiel
`{ENDPOINT}`	Der Endpunkt für die Authentifizierung Ihrer API-Anforderung.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Der Name des Projekts. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`myProject`
`{JOB-ID}`	Die ID zum Ermitteln des Trainingsstatus Ihres Modells. Dieser Wert befindet sich im `location`-Headerwert, den Sie im vorherigen Schritt erhalten haben.	`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	Die Version der von Ihnen aufgerufenen API. Der hier referenzierte Wert gilt für die neueste veröffentlichte Version. Weitere Informationen zu anderen verfügbaren API-Versionen finden Sie unter Modelllebenszyklus.	`2023-04-15-preview`

Header

Verwenden Sie den folgenden Header, um Ihre Anforderung zu authentifizieren.

Schlüssel	Wert
`Ocp-Apim-Subscription-Key`	Der Schlüssel für Ihre Ressource. Wird für die Authentifizierung Ihrer API-Anforderungen verwendet.

Antworttext

Nachdem Sie die Anforderung gesendet haben, erhalten Sie die folgende Antwort.

{
  "result": {
    "modelLabel": "{MODEL-NAME}",
    "trainingConfigVersion": "{CONFIG-VERSION}",
    "estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
    "trainingStatus": {
      "percentComplete": 3,
      "startDateTime": "2022-04-18T15:45:06.8190649Z",
      "status": "running"
    },
    "evaluationStatus": {
      "percentComplete": 0,
      "status": "notStarted"
    }
  },
  "jobId": "{JOB-ID}",
  "createdDateTime": "2022-04-18T15:44:44Z",
  "lastUpdatedDateTime": "2022-04-18T15:45:48Z",
  "expirationDateTime": "2022-04-25T15:44:44Z",
  "status": "running"
}

Bereitstellen Ihres Modells

Übermitteln des Bereitstellungsauftrags

Übermitteln Sie eine PUT-Anforderung mithilfe der folgenden URL, der Header und des JSON-Texts, um einen Bereitstellungsauftrag zu senden. Ersetzen Sie die Platzhalterwerte durch eigene Werte.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}/deployments/{deploymentName}?api-version={API-VERSION}

Platzhalter	Wert	Beispiel
`{ENDPOINT}`	Der Endpunkt für die Authentifizierung Ihrer API-Anforderung.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Der Name des Projekts. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`myProject`
`{DEPLOYMENT-NAME}`	Der Name Ihrer Bereitstellung. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`staging`
`{API-VERSION}`	Die Version der von Ihnen aufgerufenen API. Der hier referenzierte Wert gilt für die neueste veröffentlichte Version. Weitere Informationen zu anderen verfügbaren API-Versionen finden Sie unter Modelllebenszyklus.	`2023-04-15-preview`

Header

Verwenden Sie den folgenden Header, um Ihre Anforderung zu authentifizieren.

Schlüssel	Wert
`Ocp-Apim-Subscription-Key`	Der Schlüssel für Ihre Ressource. Wird für die Authentifizierung Ihrer API-Anforderungen verwendet.

Anforderungstext

Verwenden Sie die folgende JSON-Datei im Textkörper Ihrer Anforderung. Verwenden Sie den Namen des Modells, das Sie der Bereitstellung zuweisen.

{
  "trainedModelLabel": "{MODEL-NAME}"
}

Schlüssel	Platzhalter	Wert	Beispiel
trainedModelLabel	`{MODEL-NAME}`	Der Modellname, der Ihrer Bereitstellung zugewiesen wird. Sie können nur Modelle zuweisen, für die das Training erfolgreich war. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`myModel`

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

{JOB-ID} wird verwendet, um Ihre Anforderung zu identifizieren, da es sich um einen asynchronen Vorgang handelt. Sie können diese URL verwenden, um den Bereitstellungsstatus abzurufen.

Abrufen des Auftragsstatus der Bereitstellung

Verwenden Sie die folgende GET-Anforderung, um den Status des Bereitstellungsauftrags abzurufen. Sie können die URL verwenden, die Sie im vorherigen Schritt erhalten haben, oder die Platzhalterwerte durch Ihre eigenen Werte ersetzen.

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

Platzhalter	Wert	Beispiel
`{ENDPOINT}`	Der Endpunkt für die Authentifizierung Ihrer API-Anforderung.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Der Name des Projekts. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`myProject`
`{DEPLOYMENT-NAME}`	Der Name Ihrer Bereitstellung. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`staging`
`{JOB-ID}`	Die ID zum Ermitteln des Trainingsstatus Ihres Modells. Diese befindet sich im `location`-Headerwert, den Sie im vorherigen Schritt erhalten haben.	`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	Die Version der von Ihnen aufgerufenen API. Der hier referenzierte Wert gilt für die neueste veröffentlichte Version. Weitere Informationen zu anderen verfügbaren API-Versionen finden Sie unter Modelllebenszyklus.	`2023-04-15-preview`

Header

Verwenden Sie den folgenden Header, um Ihre Anforderung zu authentifizieren.

Schlüssel	Wert
`Ocp-Apim-Subscription-Key`	Der Schlüssel für Ihre Ressource. Wird für die Authentifizierung Ihrer API-Anforderungen verwendet.

Antworttext

Nachdem Sie die Anforderung gesendet haben, erhalten Sie die folgende Antwort. Setzen Sie den Abruf dieses Endpunkts fort, bis der Parameter status zu „succeeded“ (erfolgreich) wechselt. Sie sollten einen 200-Code erhalten, der den Erfolg der Anforderung angibt.

{
    "jobId":"{JOB-ID}",
    "createdDateTime":"{CREATED-TIME}",
    "lastUpdatedDateTime":"{UPDATED-TIME}",
    "expirationDateTime":"{EXPIRATION-TIME}",
    "status":"running"
}

Klassifizieren von Text

Nachdem Ihr Modell erfolgreich bereitgestellt wurde, können Sie es verwenden, um Ihren Text über die Vorhersage-API zu klassifizieren. Im zuvor heruntergeladenen Beispieldataset finden Sie einige Testdokumente, die Sie in diesem Schritt verwenden können.

Übermitteln einer Aufgabe für die benutzerdefinierte Stimmungsanalyse

Verwenden Sie diese POST-Anforderung, um eine Textklassifizierungsaufgabe zu starten.

{ENDPOINT}/language/analyze-text/jobs?api-version={API-VERSION}

Platzhalter	Wert	Beispiel
`{ENDPOINT}`	Der Endpunkt für die Authentifizierung Ihrer API-Anforderung.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{API-VERSION}`	Die Version der von Ihnen aufgerufenen API. Der hier referenzierte Wert gilt für die neueste veröffentlichte Version.	`2023-04-15-preview`

Header

Schlüssel	Wert
Ocp-Apim-Subscription-Key	Ihr Schlüssel, der den Zugriff auf diese API ermöglicht.

Body

{
  "displayName": "Detecting sentiment",
  "analysisInput": {
    "documents": [
      {
        "id": "1",
        "language": "{LANGUAGE-CODE}",
        "text": "Text1"
      },
      {
        "id": "2",
        "language": "{LANGUAGE-CODE}",
        "text": "Text2"
      }
    ]
  },
  "tasks": [
     {
      "kind": "CustomTextSentiment",
      "taskName": "Sentiment analysis",
      "parameters": {
        "projectName": "{PROJECT-NAME}",
        "deploymentName": "{DEPLOYMENT-NAME}"
      }
    }
  ]
}

Schlüssel	Platzhalter	Wert	Beispiel
`displayName`	`{JOB-NAME}`	Dies ist der Name Ihres Auftrags.	`MyJobName`
`documents`	[{},{}]	Dies ist die Liste der Dokumente, für die Aufgaben ausgeführt werden sollen.	`[{},{}]`
`id`	`{DOC-ID}`	Hierbei handelt es sich um den Namen oder die ID des Dokuments.	`doc1`
`language`	`{LANGUAGE-CODE}`	Dies ist eine Zeichenfolge, die den Sprachcode des Dokuments angibt. Wenn dieser Schlüssel nicht angegeben ist, nimmt der Dienst die Standardsprache des Projekts an, die bei der Projekterstellung ausgewählt wurde.	`en-us`
`text`	`{DOC-TEXT}`	Dies ist die Dokumentaufgabe, für die die Aufgaben ausgeführt werden sollen.	`Lorem ipsum dolor sit amet`
`tasks`		Liste der Aufgaben, die ausgeführt werden sollen.	`[]`
`taskName`	`CustomTextSentiment`	Aufgabenname	`CustomTextSentiment`
`parameters`		Dies ist die Liste der Parameter, die an die Aufgabe übergeben werden.
`project-name`	`{PROJECT-NAME}`	Der Name für Ihr Projekt. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`myProject`
`deployment-name`	`{DEPLOYMENT-NAME}`	Der Name Ihrer Bereitstellung. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`prod`

Antwort

Sie erhalten eine Antwort vom Typ „202“, die angibt, dass Ihre Aufgabe erfolgreich übermittelt wurde. Extrahieren Sie operation-location in den Antwortheadern. operation-location weist dieses Format auf:

{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}

Sie können diese URL verwenden, um den Abschlussstatus der Aufgabe abzufragen und die Ergebnisse abzurufen, wenn die Aufgabe abgeschlossen ist.

Abrufen der Aufgabenergebnisse

Verwenden Sie die folgende GET-Anforderung, um den Status/die Ergebnisse der Aufgabe für die Erkennung von benutzerdefinierten Entitäten abzufragen.

{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}

Platzhalter	Wert	Beispiel
`{ENDPOINT}`	Der Endpunkt für die Authentifizierung Ihrer API-Anforderung.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{API-VERSION}`	Die Version der von Ihnen aufgerufenen API. Der hier referenzierte Wert gilt für die neueste veröffentlichte Version.	`2023-04-15-preview`

Header

Schlüssel	Wert
Ocp-Apim-Subscription-Key	Ihr Schlüssel, der den Zugriff auf diese API ermöglicht.

Antworttext

Die Antwort ist ein JSON-Dokument mit den folgenden Parametern:

{
  "createdDateTime": "2021-05-19T14:32:25.578Z",
  "displayName": "MyJobName",
  "expirationDateTime": "2021-05-19T14:32:25.578Z",
  "jobId": "xxxx-xxxx-xxxxx-xxxxx",
  "lastUpdateDateTime": "2021-05-19T14:32:25.578Z",
  "status": "succeeded",
  "tasks": {
    "completed": 1,
    "failed": 0,
    "inProgress": 0,
    "total": 1,
    "items": [
      {
        "kind": "EntityRecognitionLROResults",
        "taskName": "Recognize Entities",
        "lastUpdateDateTime": "2020-10-01T15:01:03Z",
        "status": "succeeded",
        "results": {
          "documents": [
            {
              "entities": [
                {
                  "category": "Event",
                  "confidenceScore": 0.61,
                  "length": 4,
                  "offset": 18,
                  "text": "trip"
                },
                {
                  "category": "Location",
                  "confidenceScore": 0.82,
                  "length": 7,
                  "offset": 26,
                  "subcategory": "GPE",
                  "text": "Seattle"
                },
                {
                  "category": "DateTime",
                  "confidenceScore": 0.8,
                  "length": 9,
                  "offset": 34,
                  "subcategory": "DateRange",
                  "text": "last week"
                }
              ],
              "id": "1",
              "warnings": []
            }
          ],
          "errors": [],
          "modelVersion": "2020-04-01"
        }
      }
    ]
  }
}

Bereinigen von Ressourcen

Wenn Sie Ihr Projekt nicht mehr benötigen, können Sie es mit der folgenden DELETE-Anforderung löschen. Ersetzen Sie die Platzhalterwerte durch eigene Werte.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}?api-version={API-VERSION}

Platzhalter	Wert	Beispiel
`{ENDPOINT}`	Der Endpunkt für die Authentifizierung Ihrer API-Anforderung.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Der Name für Ihr Projekt. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet.	`myProject`
`{API-VERSION}`	Die Version der von Ihnen aufgerufenen API. Der hier referenzierte Wert gilt für die neueste veröffentlichte Version. Weitere Informationen zu anderen verfügbaren API-Versionen finden Sie hier.	`2023-04-15-preview`

Header

Verwenden Sie den folgenden Header, um Ihre Anforderung zu authentifizieren.

Schlüssel	Wert
Ocp-Apim-Subscription-Key	Der Schlüssel für Ihre Ressource. Wird für die Authentifizierung Ihrer API-Anforderungen verwendet.

Nachdem Sie Ihre API-Anforderung gesendet haben, erhalten Sie eine Antwort vom Typ 202, die anzeigt, dass Ihr Projekt erfolgreich gelöscht wurde. Ein erfolgreicher Aufruf enthält einen Operation-Location-Header, mit dem der Auftragsstatus überprüft wird.

Nächste Schritte

Nachdem Sie ein Modell für die benutzerdefinierte Stimmungsanalyse erstellt haben, haben Sie folgende Möglichkeiten:

Verwenden der Runtime-API zum Klassifizieren von Text

Wenn Sie beginnen, eigene Projekte für die benutzerdefinierte Stimmungsanalyse zu erstellen, verwenden Sie die Anleitungsartikel, um ausführlichere Informationen zur Entwicklung Ihres Modells zu erhalten:

Teilen über

Schnellstart: Benutzerdefinierte Stimmungsanalyse (Vorschau)

Voraussetzungen

Erstellen einer neuen Azure-Sprachressource und eines Azure-Speicherkontos

Erstellen einer neuen Ressource im Azure-Portal

Hochladen von Beispieldaten in den Blobcontainer

Erstellen eines Projekts für die benutzerdefinierte Stimmungsanalyse

Trainieren Ihres Modells

Bereitstellen Ihres Modells

Testen des Modells

Bereinigen von Projekten

Voraussetzungen

Erstellen einer neuen Azure-Sprachressource und eines Azure-Speicherkontos

Erstellen einer neuen Ressource im Azure-Portal

Hochladen von Beispieldaten in den Blobcontainer

Abrufen Ihres Schlüssels und Endpunkts

Erstellen eines Projekts für die benutzerdefinierte Stimmungsanalyse

Auslösen des Importprojektauftrags

Header

Body

Abrufen des Importauftragsstatus

Anfrage-URL

Header

Trainieren Ihres Modells

Beginnen mit dem Trainieren Ihres Modells

Header

Anforderungstext

Abrufen des Trainingsauftragsstatus

Anfrage-URL

Header

Antworttext

Bereitstellen Ihres Modells

Übermitteln des Bereitstellungsauftrags

Header

Anforderungstext

Abrufen des Auftragsstatus der Bereitstellung

Header

Antworttext

Klassifizieren von Text

Übermitteln einer Aufgabe für die benutzerdefinierte Stimmungsanalyse

Header

Body

Antwort

Abrufen der Aufgabenergebnisse

Header

Antworttext

Bereinigen von Ressourcen

Header

Nächste Schritte

Feedback

Feedback

Zusätzliche Ressourcen