Schnellstart: Benutzerdefinierte Textklassifizierung

In diesem Artikel lernen Sie, wie Sie ein Projekt zur benutzerdefinierten Textklassifizierung erstellen, in dem Sie benutzerdefinierte Modelle für die Textklassifizierung 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.

Benutzerdefinierte Textklassifizierung unterstützt zwei Arten von Projekten:

  • Klassifizierung mit einzelner Bezeichnung: Sie können jeder Datei In Ihrem Dataset eine einzelne Klasse zuweisen. Beispielsweise könnte ein Drehbuch entweder als „Liebesfilm“ oder als „Komödie“ klassifiziert werden.
  • Klassifizierung mit mehreren Bezeichnungen: Sie können jedem Dokument in Ihrem Dataset mehrere Klassen zuweisen. Beispielsweise kann ein Drehbuch als „Komödie“ oder als „Liebesfilm“ und „Komödie“ eingestuft werden.

In dieser Schnellstartanleitung können Sie die bereitgestellten Beispieldatasets verwenden, um eine Klassifizierung mit mehreren Bezeichnungen zu erstellen, bei der Sie Drehbücher in eine oder mehrere Kategorien einordnen können. Alternativ können Sie die Klassifizierung mit einer einzelnen Bezeichnung nutzen, bei der Sie Abstracts wissenschaftlicher Abhandlungen einem der definierten Fachbereiche zuordnen können.

Voraussetzungen

Erstellen einer neuen Azure KI Language-Ressource und eines Azure-Speicherkontos

Bevor Sie die benutzerdefinierte Textklassifizierung verwenden können, müssen Sie eine Azure KI Language-Ressource erstellen, wodurch Sie die Anmeldeinformationen erhalten, die Sie zum Erstellen eines Projekts und zum Starten des Trainings eines Modells benötigen. 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 empfehlen wir die Erstellung einer neuen Azure KI Language-Ressource mithilfe der in diesem Artikel bereitgestellten 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.

Wenn Sie eine bereits vorhandene Ressource verwenden möchten, müssen Sie sie mit dem Speicherkonto verknüpfen.

Erstellen einer neuen Ressource im Azure-Portal

  1. Wechseln Sie zum Azure-Portal, um eine neue Azure KI Language-Ressource zu erstellen.

  2. Wählen Sie im angezeigten Fenster in den benutzerdefinierten Features Benutzerdefinierte Textklassifizierung und benutzerdefinierte Erkennung benannter Entitäten aus. Wählen Sie unten auf dem Bildschirm Erstellung Ihrer Ressource fortsetzen aus.

    A screenshot showing the selection option for custom text classification and custom named entity recognition in Azure portal.

  3. Erstellen Sie eine Sprachressource mit den folgenden Details:

    Name Erforderlicher Wert
    Subscription Ihr Azure-Abonnement.
    Ressourcengruppe Eine Ressourcengruppe, die Ihre Ressource enthält. Sie können eine vorhandene verwenden oder eine neue erstellen.
    Region Eine der unterstützten Regionen. Beispiel: „USA, Westen 2“
    Name Ein Name für Ihre Ressource.
    Tarif Einer der unterstützten Preistarife. Sie können den kostenlosen Tarif (F0) verwenden, um den Dienst auszuprobieren.

    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.

    Sie können den Besitzer Ihres Azure-Abonnements ermitteln, indem Sie Ihre Ressourcengruppe durchsuchen und dem Link zum zugehörigen Abonnement folgen. Führen Sie anschließend Folgendes durch:

    1. Wählen Sie die Registerkarte Zugriffssteuerung (IAM) aus
    2. Wählen Sie Rollenzuweisungen aus
    3. Filtern Sie nach Rolle:Besitzer.
  4. Wählen Sie im Abschnitt Benutzerdefinierte Textklassifizierung und benutzerdefinierte Erkennung benannter Entitäten ein vorhandenes Speicherkonto aus, oder wählen Sie Neues Speicherkonto aus. Beachten Sie, dass Ihnen diese Werte den Einstieg erleichtern sollen 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
  5. Stellen Sie sicher, dass die verantwortungsvolle KI-Benachrichtigung überprüft wird. Wählen Sie am unteren Rand der Seite die Option Bewerten + erstellen aus.

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.

  1. Laden Sie das Beispieldataset für die Projekte mit der Klassifizierung mit mehreren Bezeichnungen herunter.

  2. Öffnen Sie die ZIP-Datei, und extrahieren Sie den Ordner mit den darin enthaltenen Dokumenten.

Das bereitgestellte Beispieldataset enthält ungefähr 200 Dokumente, die alle die Zusammenfassung eines Films darstellen. Jedes Dokumentation gehört einer oder mehreren der folgenden Klassen an:

  • „Mystery“
  • „Drama“
  • „Thriller“
  • „Komödie“
  • „Action“
  1. Navigieren Sie im Azure-Portal zu dem Speicherkonto, das Sie erstellt haben, und wählen Sie es aus. Dazu können Sie auf Speicherkonten klicken und den Namen Ihres Speicherkontos in Nach einem beliebigen Feld filtern eingeben.

    Wenn Ihre Ressourcengruppe nicht angezeigt wird, vergewissern Sie sich, dass der Filter Abonnement gleich auf Alle festgelegt ist.

  2. 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.

    A screenshot showing the main page for a storage account.

  3. 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.

    A screenshot showing the button for uploading files to the storage account.

Erstellen eines Projekts zur benutzerdefinierten Textklassifizierung

Nachdem Ihre Ressource und der Speichercontainer konfiguriert wurden, erstellen Sie ein neues benutzerdefiniertes Textklassifizierungsprojekt. 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.

  1. Melden Sie sich bei Language Studio an. Es wird ein Fenster angezeigt, in dem Sie Ihr Abonnement und Ihre Sprachressource auswählen können. Wählen Sie Ihre Sprachressource aus.

  2. Wählen Sie im Abschnitt Text klassifizieren von Language Studio die Option Custom text classification aus.

    A screenshot showing the location of custom text classification in the Language Studio landing page.

  3. 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.

    A screenshot of the custom text classification project creation page.

  4. Nachdem Sie auf Neues Projekt erstellen geklickt 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 Sprachressource 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.

    A screenshot of the storage connection screen for custom classification projects.

  5. Wählen Sie den Projekttyp aus. Sie können entweder ein Projekt für die Klassifizierung mit mehreren Bezeichnungen erstellen, bei dem jedes Dokument zu einer oder mehreren Klassen gehören kann. Alternativ können Sie ein Projekt für die Klassifizierung mit einer einzelnen Bezeichnung erstellen, bei dem jedes Dokument nur einer Klasse zugewiesen werden kann. Der ausgewählte Typ kann später nicht geändert werden. Erfahren Sie mehr über die Projekttypen.

    A screenshot of the available custom classification project types.

  6. Geben Sie die Projektinformationen ein, einschließlich eines Namens, einer Beschreibung und der Sprache der Dokumente 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.

  7. Wählen Sie den Container aus, in den Sie Ihr Dataset hochgeladen haben.

    Hinweis

    Wenn Sie Ihre Daten bereits beschriftet haben, stellen Sie sicher, dass sie dem unterstützten Format entsprechen, und wählen Sie Ja, meine Dokumente sind bereits beschriftet, und ich habe die JSON-Bezeichnungsdatei formatiert aus. Wählen Sie die Bezeichnungsdatei im unten angezeigten Dropdownmenü aus.

    Wenn Sie eins der Beispieldatasets verwenden, verwenden Sie die enthaltene JSON-Datei webOfScience_labelsFile oder movieLabels. Wählen Sie Weiteraus.

  8. 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:

  1. Wählen Sie Trainingsaufträge aus dem Menü auf der linken Seite aus.

  2. Wählen Sie im oberen Menü Trainingsauftrag starten aus.

  3. 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.

    Create a new training job

  4. Wählen Sie die Datenteilungsmethode aus. Sie können Automatisches Aufteilen des Testsatzes und der Trainingsdaten auswählen. Dabei teilt das System Ihre beschrifteten Daten gemäß den angegebenen Prozentsätzen zwischen dem Trainings- und dem Testsatz auf. Alternativ können Sie Manuelle Aufteilung von Trainings- und Testdaten verwenden nutzen. Diese Option ist nur aktiviert, wenn Sie während der Datenbeschriftung Dokumente zu Ihrem Testsatz hinzugefügt haben. Weitere Informationen zur Datenteilung finden Sie unter Trainieren eines Modells.

  5. Wählen Sie die Schaltfläche Train (Trainieren) aus.

  6. 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.
    • Die Zeit zum Trainieren des Modells kann je nach Umfang Ihrer bezeichneten Daten zwischen einigen Minuten und mehreren 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:

  1. Wählen Sie im Menü auf der linken Seite Bereitstellen eines Modells aus.

  2. Wählen Sie Bereitstellung hinzufügen aus, um einen neuen Bereitstellungsauftrag zu starten.

    A screenshot showing the deployment button

  3. 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 Aufruf der Vorhersage-API, aber die Ergebnisse, die Sie erhalten, basieren auf dem neu zugewiesenen Modell.

    A screenshot showing the deployment screen

  4. wählen Sie Bereitstellen aus, um die Bereitstellungsauftrag zu starten.

  5. 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 benutzerdefinierte Textklassifizierungsaufgabe 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 in Language Studio:

  1. Wählen Sie im Menü auf der linken Seite des Bildschirms Testbereitstellungen aus.

  2. Wählen Sie die Bereitstellung aus, die Sie testen möchten. Sie können nur Modelle testen, die Bereitstellungen zugewiesen sind.

  3. Wählen Sie für mehrsprachige Projekte die Sprache des Textes, den Sie testen möchten, über das Dropdownmenü „Sprache“ aus.

  4. Wählen Sie die Bereitstellung aus der Dropdownliste aus, die Sie abfragen bzw. testen möchten.

  5. Geben Sie den Text ein, den Sie in der Anforderung übermitteln möchten, oder laden Sie ein zu verwendendes .txt-Dokument hoch. Wenn Sie eines der Beispieldatasets verwenden, können Sie eine der enthaltenen TXT-Dateien verwenden.

  6. Wählen Sie im oberen Menü Test ausführen aus.

  7. Auf der Registerkarte Ergebnis werden die vorhergesagten Klassen für Ihren Text angezeigt. Sie können die JSON-Antwort auch auf der Registerkarte JSON anzeigen. Das folgende Beispiel gilt für ein Klassifizierungsprojekt mit einem einzelnen Label. Ein Multi-Label-Klassifizierungsprojekt kann mehr als eine Klasse im Ergebnis zurückgeben.

    A screenshot showing model test results for a single label classification project.

Bereinigen von Projekten

Wenn Sie Ihr Projekt nicht mehr benötigen, können Sie das Projekt mithilfe von Language Studio löschen. Wählen Sie oben Benutzerdefinierte Textklassifizierung und anschließend das Projekt aus, das Sie löschen möchten. Wählen Sie im oberen Menü Löschen aus, um das Projekt zu löschen.

Voraussetzungen

Erstellen einer neuen Azure KI Language-Ressource und eines Azure-Speicherkontos

Bevor Sie die benutzerdefinierte Textklassifizierung verwenden können, müssen Sie eine Azure KI Language-Ressource erstellen, wodurch Sie die Anmeldeinformationen erhalten, die Sie zum Erstellen eines Projekts und zum Starten des Trainings eines Modells benötigen. 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 empfehlen wir die Erstellung einer neuen Azure KI Language-Ressource mithilfe der in diesem Artikel bereitgestellten Schritte. Auf diese Weise können Sie die Sprachressource und zugleich ein Speicherkonto erstellen und/oder verknüpfen, was einfacher ist als es später nachzuholen.

Wenn Sie eine bereits vorhandene Ressource verwenden möchten, müssen Sie sie mit dem Speicherkonto verknüpfen.

Erstellen einer neuen Ressource im Azure-Portal

  1. Wechseln Sie zum Azure-Portal, um eine neue Azure KI Language-Ressource zu erstellen.

  2. Wählen Sie im angezeigten Fenster in den benutzerdefinierten Features Benutzerdefinierte Textklassifizierung und benutzerdefinierte Erkennung benannter Entitäten aus. Wählen Sie unten auf dem Bildschirm Erstellung Ihrer Ressource fortsetzen aus.

    A screenshot showing the selection option for custom text classification and custom named entity recognition in Azure portal.

  3. Erstellen Sie eine Sprachressource mit den folgenden Details:

    Name Erforderlicher Wert
    Subscription Ihr Azure-Abonnement.
    Ressourcengruppe Eine Ressourcengruppe, die Ihre Ressource enthält. Sie können eine vorhandene verwenden oder eine neue erstellen.
    Region Eine der unterstützten Regionen. Beispiel: „USA, Westen 2“
    Name Ein Name für Ihre Ressource.
    Tarif Einer der unterstützten Preistarife. Sie können den kostenlosen Tarif (F0) verwenden, um den Dienst auszuprobieren.

    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.

    Sie können den Besitzer Ihres Azure-Abonnements ermitteln, indem Sie Ihre Ressourcengruppe durchsuchen und dem Link zum zugehörigen Abonnement folgen. Führen Sie anschließend Folgendes durch:

    1. Wählen Sie die Registerkarte Zugriffssteuerung (IAM) aus
    2. Wählen Sie Rollenzuweisungen aus
    3. Filtern Sie nach Rolle:Besitzer.
  4. Wählen Sie im Abschnitt Benutzerdefinierte Textklassifizierung und benutzerdefinierte Erkennung benannter Entitäten ein vorhandenes Speicherkonto aus, oder wählen Sie Neues Speicherkonto aus. Beachten Sie, dass Ihnen diese Werte den Einstieg erleichtern sollen 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
  5. Stellen Sie sicher, dass die verantwortungsvolle KI-Benachrichtigung überprüft wird. Wählen Sie am unteren Rand der Seite die Option Bewerten + erstellen aus.

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.

  1. Laden Sie das Beispieldataset für die Projekte mit der Klassifizierung mit mehreren Bezeichnungen herunter.

  2. Öffnen Sie die ZIP-Datei, und extrahieren Sie den Ordner mit den darin enthaltenen Dokumenten.

Das bereitgestellte Beispieldataset enthält ungefähr 200 Dokumente, die alle die Zusammenfassung eines Films darstellen. Jedes Dokumentation gehört einer oder mehreren der folgenden Klassen an:

  • „Mystery“
  • „Drama“
  • „Thriller“
  • „Komödie“
  • „Action“
  1. Navigieren Sie im Azure-Portal zu dem Speicherkonto, das Sie erstellt haben, und wählen Sie es aus. Dazu können Sie auf Speicherkonten klicken und den Namen Ihres Speicherkontos in Nach einem beliebigen Feld filtern eingeben.

    Wenn Ihre Ressourcengruppe nicht angezeigt wird, vergewissern Sie sich, dass der Filter Abonnement gleich auf Alle festgelegt ist.

  2. 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.

    A screenshot showing the main page for a storage account.

  3. 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.

    A screenshot showing the button for uploading files to the storage account.

Abrufen Ihrer Ressourcenschlüssel und Endpunkte

  • Navigieren Sie im Azure-Portal zur Übersichtsseite Ihrer Ressource.

  • Wählen Sie im Menü auf der linken Seite Schlüssel und Endpunkt aus. Sie verwenden den Endpunkt und Schlüssel für die API-Anforderungen.

A screenshot showing the key and endpoint page in the Azure portal.

Erstellen eines Projekts zur benutzerdefinierten Textklassifizierung

Nachdem Ihre Ressource und der Speichercontainer konfiguriert wurden, erstellen Sie ein neues benutzerdefiniertes Textklassifizierungsprojekt. 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.

Auslösen des Importprojektauftrags

Übermitteln Sie eine POST-Anforderung mithilfe der folgenden URL, der Header und des JSON-Texts, um Ihre Bezeichnungsdatei zu importieren. Stellen Sie sicher, dass die Bezeichnungsdatei dem akzeptierten Format entspricht.

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. 2022-05-01

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": "{API-VERSION}",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectName": "{PROJECT-NAME}",
    "storageInputContainerName": "{CONTAINER-NAME}",
    "projectKind": "customMultiLabelClassification",
    "description": "Trying out custom multi label text classification",
    "language": "{LANGUAGE-CODE}",
    "multilingual": true,
    "settings": {}
  },
  "assets": {
    "projectKind": "customMultiLabelClassification",
    "classes": [
      {
        "category": "Class1"
      },
      {
        "category": "Class2"
      }
    ],
    "documents": [
      {
        "location": "{DOCUMENT-NAME}",
        "language": "{LANGUAGE-CODE}",
        "dataset": "{DATASET}",
        "classes": [
          {
            "category": "Class1"
          },
          {
            "category": "Class2"
          }
        ]
      },
      {
        "location": "{DOCUMENT-NAME}",
        "language": "{LANGUAGE-CODE}",
        "dataset": "{DATASET}",
        "classes": [
          {
            "category": "Class2"
          }
        ]
      }
    ]
  }
}

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. 2022-05-01
projectName {PROJECT-NAME} Der Name des Projekts. Bei diesem Wert wird die Groß-/Kleinschreibung beachtet. myProject
projectKind customMultiLabelClassification Die Art Ihres Projekts customMultiLabelClassification
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 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 (nicht unbedingt in Ihren Trainingsdokumenten enthalten). Informationen zur Unterstützung mehrerer Sprachen finden Sie unter Sprachunterstützung. true
storageInputContainerName {CONTAINER-NAME} Dies ist der Name Ihres Azure-Speichercontainers, in den Sie Ihre Dokumente hochgeladen haben. myContainer
Klassen [] Hierbei handelt es sich um ein Array mit allen Klassen, die im Projekt enthalten sind. Dies sind die Klassen, denen Sie Ihre Dokumente zuordnen möchten. []
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
dataset {DATASET} Dies ist der Testsatz, in den dieses Dokument bei der Aufteilung vor dem Training aufgenommen wird. Weitere Informationen zur Datenteilung finden Sie unter Trainieren eines Modells. Mögliche Werte für dieses Feld sind Train und Test. Train

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:

  • Die ausgewählte Ressource verfügt nicht über die richtigen Berechtigungen für das Speicherkonto.
  • 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. 2022-05-01

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 zu markieren, die im mit Ihrem Projekt verknüpften Container vorhanden sind. 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 folgenden Platzhalter durch Ihre eigenen 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. 2022-05-01

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. 2022-05-01
evaluationOptions Option zum Aufteilen Ihrer Daten zwischen Trainings- und Testsätzen {}
kind percentage Aufteilungsmethoden Mögliche Werte sind percentage oder manual. Weitere Informationen finden Sie unter Trainieren eines Modells. 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.

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 location-Wert. Er weist das folgende Format auf:

{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 folgenden Platzhalter durch Ihre eigenen 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. 2022-05-01

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

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.

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 folgenden Platzhalter durch Ihre eigenen 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 hier. 2022-05-01

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

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}/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 unten 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 hier. 2022-05-01

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 Textklassifizierung

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. Weitere Informationen zu anderen verfügbaren API-Versionen finden Sie unter Modelllebenszyklus. 2022-05-01

Header

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

Body

{
  "displayName": "Classifying documents",
  "analysisInput": {
    "documents": [
      {
        "id": "1",
        "language": "{LANGUAGE-CODE}",
        "text": "Text1"
      },
      {
        "id": "2",
        "language": "{LANGUAGE-CODE}",
        "text": "Text2"
      }
    ]
  },
  "tasks": [
     {
      "kind": "CustomMultiLabelClassification",
      "taskName": "Multi Label Classification",
      "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. Unter Sprachunterstützung finden sie eine Liste der unterstützten Sprachcodes. 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 CustomMultiLabelClassification Aufgabenname CustomMultiLabelClassification
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 202-Antwort, die den Erfolg anzeigt. 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 Ergebnisse der Aufgabe

Verwenden Sie die folgende GET-Anforderung, um den Status bzw. die Ergebnisse der Textklassifizierungsaufgabe 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 Wert, auf den hier verwiesen wird, gilt für die neueste veröffentlichte Modellversion. 2022-05-01

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-xxxxxx-xxxxx-xxxx",
  "lastUpdateDateTime": "2021-05-19T14:32:25.578Z",
  "status": "succeeded",
  "tasks": {
    "completed": 1,
    "failed": 0,
    "inProgress": 0,
    "total": 1,
    "items": [
      {
        "kind": "customMultiClassificationTasks",
        "taskName": "Classify documents",
        "lastUpdateDateTime": "2020-10-01T15:01:03Z",
        "status": "succeeded",
        "results": {
          "documents": [
            {
              "id": "{DOC-ID}",
              "classes": [
                  {
                      "category": "Class_1",
                      "confidenceScore": 0.0551877357
                  }
              ],
              "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. 2022-05-01

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

Nach dem Erstellen eines Modells für die benutzerdefinierte Textklassifizierung haben Sie diese Möglichkeiten:

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