Nutzen eines Webdiensts in Machine Learning Studio (Classic)

GILT FÜR: Machine Learning Studio (Classic) Azure Machine Learning

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

• Siehe Migrieren zu Azure Machine Learning
• Weitere Informationen zu Azure Machine Learning

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Sobald Sie ein Machine Learning Studio (Classic)-Vorhersagemodell als Webdienst bereitstellen, können Sie eine REST-API verwenden, um Daten dorthin zu senden und Vorhersagen abzurufen. Sie können die Daten in Echtzeit oder im Batchmodus senden.

Weitere Informationen zum Erstellen und Bereitstellen eines Machine Learning-Webdiensts mit Machine Learning Studio (klassisch) finden Sie hier:

• Ein Tutorial zum Erstellen eines Experiments in Machine Learning Studio (klassisch) finden Sie unter Erstellen Ihres ersten Experiments.
• Ausführliche Informationen zum Bereitstellen eines Webdiensts finden Sie unter Bereitstellen eines Machine Learning-Webdiensts.
• Allgemeine Informationen zu Machine Learning finden Sie im Machine Learning-Dokumentationscenter.

Übersicht

Mithilfe des Machine Learning-Webdiensts kommunizieren externe Anwendungen in Echtzeit mit einem Machine Learning-Workflowbewertungsmodell. Ein Machine Learning-Webdienstaufruf gibt Vorhersageergebnisse an eine externe Anwendung zurück. Zur Durchführung eines Machine Learning-Webdienstaufrufs übergeben Sie einen API-Schlüssel, der beim Bereitstellen einer Vorhersage erstellt wird. Der Machine Learning-Webdienst basiert auf REST, einer verbreiteten Architektur für Webprogrammierungsprojekte.

Machine Learning Studio (Classic) verfügt über zwei Arten von Diensten:

• Anforderung-/Antwort-Dienst (Request-Response Service, RRS): ein hochskalierbarer Webdienst mit niedriger Latenz, der eine Schnittstelle für zustandslose Modelle bereitstellt, die in Machine Learning Studio (klassisch) erstellt und bereitgestellt wurden.
• Batch Execution Service (BES) – ein asynchroner Dienst für die Bewertung eines Stapels für Datensätze.

Weitere Informationen zu Machine Learning-Webdiensten finden Sie unter Bereitstellen eines Machine Learning-Webdiensts.

Abrufen eines Autorisierungsschlüssels

Wenn Sie Ihr Experiment bereitstellen, werden API-Schlüssel für den Webdienst erstellt. Sie können die Schlüssel von verschiedenen Stellen abrufen.

Über das Portal für Machine Learning-Webdienste

Melden Sie sich beim Portal für Machine Learning-Webdienste an.

So rufen Sie den API-Schlüssel für einen neuen Machine Learning-Webdienst ab

1. Klicken Sie im Portal für Machine Learning-Webdienste im oberen Menü auf Webdienste.
2. Klicken Sie auf den Webdienst, für den der Schlüssel abgerufen werden soll.
3. Klicken Sie im oberen Menü auf Consume.
4. Kopieren und speichern Sie den Primary Key.

So rufen Sie den API-Schlüssel für einen klassischen Machine Learning-Webdienst ab

1. Klicken Sie im Azure Machine Learning Web Services-Portal im oberen Menü auf Classic Web Services.
2. Klicken Sie auf den Webdienst, mit dem Sie arbeiten.
3. Klicken Sie auf den Endpunkt, für den der Schlüssel abgerufen werden soll.
4. Klicken Sie im oberen Menü auf Consume.
5. Kopieren und speichern Sie den Primary Key.

Klassischer Webdienst

Sie können auch einen Schlüssel für einen klassischen Webdienst aus Machine Learning Studio (klassisch) abrufen.

Machine Learning Studio (klassisch)

1. Klicken Sie in Machine Learning Studio (klassisch) links auf WEB SERVICES.
2. Klicken Sie auf einen Webdienst. Der API Key befindet sich auf der Registerkarte DASHBOARD.

Herstellen der Verbindung mit einem Machine Learning-Webdienst

Sie können mit jeder Programmiersprache, die HTTP-Anforderungen und -Antworten unterstützt, eine Verbindung mit einem Machine Learning-Webdienst herstellen. Sie können Beispiele in C#, Python und R auf einer Hilfeseite für den Machine Learning-Webdienst anzeigen.

Hilfe zur Machine Learning-API Wenn Sie einen Webdienst bereitstellen, wird Hilfe zur Machine Learning-API erstellt. Weitere Informationen finden Sie unter Tutorial 3: Bereitstellen eines Kreditrisikomodells. Die Machine Learning-API-Hilfeseite enthält Details zu einem Vorhersagewebdienst.

1. Klicken Sie auf den Webdienst, mit dem Sie arbeiten.
2. Klicken Sie auf den Endpunkt, für den die API-Hilfeseite angezeigt werden soll.
3. Klicken Sie im oberen Menü auf Consume.
4. Klicken Sie unter den Endpunkten „Request-Response“ oder „Batch Execution“ auf API help page.

So zeigen Sie Machine Learning-API-Hilfe für einen neuen Webdienst an

Im Portal für Machine Learning-Webdienste:

1. Klicken Sie im oberen Menü auf WEB SERVICES.
2. Klicken Sie auf den Webdienst, für den der Schlüssel abgerufen werden soll.

Klicken Sie auf Use Web Service (Webdienst verwenden), um die URIs für die Dienste „Request-Reposonse“ und „Batch Execution“ und Beispielcode in C#, R und Python abzurufen.

Klicken Sie auf Swagger API, um auf Swagger basierende Dokumentation zu den APIs abzurufen, die über die angegebenen URIs aufgerufen werden.

C#-Beispiel

Verwenden Sie zum Verbinden mit einem Machine Learning-Webdienst einen HttpClient durch Übergeben von ScoreData. ScoreData enthält ein FeatureVector, ein n-dimensionaler Vektor von numerischen Funktionen, die die ScoreData darstellen. Sie authentifizieren sich mit einem API-Schlüssel beim Machine Learning-Dienst.

Für die Verbindung mit einem Machine Learning-Webdienst muss das NuGet-Paket Microsoft.AspNet.WebApi.Client installiert sein.

Installieren von Microsoft.AspNet.WebApi.Client NuGet in Visual Studio

1. Veröffentlichen Sie den „Download Dataset from UCI: Adult 2 class dataset“-Webdienst.
2. Klicken Sie auf Tools>NuGet-Paket-Manager>Paket-Manager-Konsole.
3. Wählen Sie Install-Package Microsoft.AspNet.WebApi.Client aus.

So führen Sie das Codebeispiel aus

1. Stellen Sie das Experiment „Sample 1: Download dataset from UCI: Adult 2 class dataset“ bereit, das Teil der Machine Learning-Beispielsammlung ist.
2. Weisen Sie „apiKey“ den Schlüssel von einem Webdienst zu. Siehe Abrufen eines Autorisierungsschlüssels weiter oben.
3. Weisen Sie "serviceUri" die Anforderungs-URI zu.

So sieht eine vollständige Anforderung aus.

using System;
using System.Collections.Generic;
using System.IO;
using System.Net.Http;
using System.Net.Http.Formatting;
using System.Net.Http.Headers;
using System.Text;
using System.Threading.Tasks;

namespace CallRequestResponseService
{
    class Program
    {
        static void Main(string[] args)
        {
            InvokeRequestResponseService().Wait();
        }

        static async Task InvokeRequestResponseService()
        {
            using (var client = new HttpClient())
            {
                var scoreRequest = new
                {
                    Inputs = new Dictionary<string, List<Dictionary<string, string>>> () {
                        {
                            "input1",
                            // Replace columns labels with those used in your dataset
                            new List<Dictionary<string, string>>(){new Dictionary<string, string>(){
                                    {
                                        "column1", "value1"
                                    },
                                    {
                                        "column2", "value2"
                                    },
                                    {
                                        "column3", "value3"
                                    }
                                }
                            }
                        },
                    },
                    GlobalParameters = new Dictionary<string, string>() {}
                };

                // Replace these values with your API key and URI found on https://services.azureml.net/
                const string apiKey = "<your-api-key>"; 
                const string apiUri = "<your-api-uri>";
                
                client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue( "Bearer", apiKey);
                client.BaseAddress = new Uri(apiUri);

                // WARNING: The 'await' statement below can result in a deadlock
                // if you are calling this code from the UI thread of an ASP.NET application.
                // One way to address this would be to call ConfigureAwait(false)
                // so that the execution does not attempt to resume on the original context.
                // For instance, replace code such as:
                //      result = await DoSomeTask()
                // with the following:
                //      result = await DoSomeTask().ConfigureAwait(false)

                HttpResponseMessage response = await client.PostAsJsonAsync("", scoreRequest);

                if (response.IsSuccessStatusCode)
                {
                    string result = await response.Content.ReadAsStringAsync();
                    Console.WriteLine("Result: {0}", result);
                }
                else
                {
                    Console.WriteLine(string.Format("The request failed with status code: {0}", response.StatusCode));

                    // Print the headers - they include the request ID and the timestamp,
                    // which are useful for debugging the failure
                    Console.WriteLine(response.Headers.ToString());

                    string responseContent = await response.Content.ReadAsStringAsync();
                    Console.WriteLine(responseContent);
                }
            }
        }
    }
}

Python-Beispiel

Verwenden Sie für eine Verbindung mit einem Machine Learning-Webdienst die Bibliothek urllib2 für Python 2.X und die Bibliothek urllib.request für Python 3.X. Sie übergeben „ScoreData“. Darin ist ein „FeatureVector“-Element enthalten, ein n-dimensionaler Vektor von numerischen Features, die „ScoreData“ darstellen. Sie authentifizieren sich mit einem API-Schlüssel beim Machine Learning-Dienst.

So führen Sie das Codebeispiel aus

1. Stellen Sie „Sample 1: Download dataset from UCI: Adult 2 class dataset“ bereit, das Teil der Machine Learning-Beispielsammlung ist.
2. Weisen Sie „apiKey“ den Schlüssel von einem Webdienst zu. Im Abschnitt Abrufen eines Autorisierungsschlüssels weiter oben in diesem Artikel finden Sie weitere Informationen.
3. Weisen Sie "serviceUri" die Anforderungs-URI zu.

So sieht eine vollständige Anforderung aus.

import urllib2 # urllib.request and urllib.error for Python 3.X
import json

data = {
    "Inputs": {
        "input1":
        [
            {
                'column1': "value1",   
                'column2': "value2",   
                'column3': "value3"
            }
        ],
    },
    "GlobalParameters":  {}
}

body = str.encode(json.dumps(data))

# Replace this with the URI and API Key for your web service
url = '<your-api-uri>'
api_key = '<your-api-key>'
headers = {'Content-Type':'application/json', 'Authorization':('Bearer '+ api_key)}

# "urllib.request.Request(url, body, headers)" for Python 3.X
req = urllib2.Request(url, body, headers)

try:
    # "urllib.request.urlopen(req)" for Python 3.X
    response = urllib2.urlopen(req)

    result = response.read()
    print(result)
# "urllib.error.HTTPError as error" for Python 3.X
except urllib2.HTTPError, error: 
    print("The request failed with status code: " + str(error.code))

    # Print the headers - they include the request ID and the timestamp, which are useful for debugging the failure
    print(error.info())
    print(json.loads(error.read())) 

R-Beispiel

Für eine Verbindung mit einem Machine Learning-Webdienst verwenden Sie die Bibliotheken RCurl und rjson, um die Anforderung auszuführen und die zurückgegebene JSON-Antwort zu verarbeiten. Sie übergeben „ScoreData“. Darin ist ein „FeatureVector“-Element enthalten, ein n-dimensionaler Vektor von numerischen Features, die „ScoreData“ darstellen. Sie authentifizieren sich mit einem API-Schlüssel beim Machine Learning-Dienst.

So sieht eine vollständige Anforderung aus.

library("curl")
library("httr")
library("rjson")

requestFailed = function(response) {
    return (response$status_code >= 400)
}

printHttpResult = function(response, result) {
    if (requestFailed(response)) {
        print(paste("The request failed with status code:", response$status_code, sep=" "))
    
        # Print the headers - they include the request ID and the timestamp, which are useful for debugging the failure
        print(response$headers)
    }
    
    print("Result:") 
    print(fromJSON(result))  
}

req = list(
        Inputs = list( 
            "input1" = list(
                "ColumnNames" = list("Col1", "Col2", "Col3"),
                "Values" = list( list( "0", "value", "0" ),  list( "0", "value", "0" )  )
            )                ),
        GlobalParameters = setNames(fromJSON('{}'), character(0))
)

body = enc2utf8(toJSON(req))
api_key = "abc123" # Replace this with the API key for the web service
authz_hdr = paste('Bearer', api_key, sep=' ')

response = POST(url= "<your-api-uri>",
        add_headers("Content-Type" = "application/json", "Authorization" = authz_hdr),
        body = body)

result = content(response, type="text", encoding="UTF-8")

printHttpResult(response, result)

JavaScript-Beispiel

Verwenden Sie für eine Verbindung mit einem Machine Learning-Webdienst das npm-Paket request in Ihrem Projekt. Zudem verwenden Sie das JSON-Objekt, um Ihre Eingabe zu formatieren und das Ergebnis zu analysieren. Führen Sie die Installation mit npm install request --save durch, oder fügen Sie "request": "*" in „package.json“ unter dependencies hinzu, und führen Sie npm install aus.

So sieht eine vollständige Anforderung aus.

let req = require("request");

const uri = "<your-api-uri>";
const apiKey = "<your-api-key>";

let data = {
    "Inputs": {
        "input1":
        [
            {
                'column1': "value1",
                'column2': "value2",
                'column3': "value3"
            }
        ],
    },
    "GlobalParameters": {}
}

const options = {
    uri: uri,
    method: "POST",
    headers: {
        "Content-Type": "application/json",
        "Authorization": "Bearer " + apiKey,
    },
    body: JSON.stringify(data)
}

req(options, (err, res, body) => {
    if (!err && res.statusCode == 200) {
        console.log(body);
    } else {
        console.log("The request failed with status code: " + res.statusCode);
    }
});