Megosztás a következőn keresztül:

Rövid útmutató: Egyéni hangulatelemzés (előzetes verzió)

  • Cikk

Ebből a cikkből megtudhatja, hogyan hozhat létre egyéni hangulatelemzési projektet, ahol egyéni modelleket taníthat be a szöveg hangulatának észlelésére. A modell egy olyan mesterségesintelligencia-szoftver, amely be van tanítva egy bizonyos feladat végrehajtására. Ebben a rendszerben a modellek osztályozzák a szöveget, és a címkézett adatokból tanulnak.

Előfeltételek

Új Azure Language-erőforrás és Azure Storage-fiók létrehozása

Az egyéni hangulatelemzés használatához létre kell hoznia egy Azure Language-erőforrást, amely megadja a projekt létrehozásához és a modell betanításához szükséges hitelesítő adatokat. Szüksége lesz egy Azure Storage-fiókra is, ahol feltöltheti a modell létrehozásához használt adatkészletet.

Fontos

A gyors kezdéshez javasoljuk, hogy hozzon létre egy új Azure Language-erőforrást a cikkben ismertetett lépések végrehajtásával. A cikkben ismertetett lépések segítségével egyszerre hozhatja létre a nyelvi erőforrást és a tárfiókot, ami egyszerűbb, mint később.

Új erőforrás létrehozása az Azure Portalról

  1. Lépjen az Azure Portalra egy új Azure AI-nyelvi erőforrás létrehozásához.

  2. A megjelenő ablakban válassza ki ezt a szolgáltatást az egyéni funkciók közül. A Folytatás gombra kattintva hozza létre az erőforrást a képernyő alján.

    A screenshot showing custom text classification & custom named entity recognition in the Azure portal.

  3. Hozzon létre egy nyelvi erőforrást a következő részletekkel.

    Név Leírás
    Előfizetés Az Azure-előfizetése.
    Erőforráscsoport Az erőforrást tartalmazó erőforráscsoport. Használhat egy meglévőt, vagy létrehozhat egy újat.
    Régió A nyelvi erőforrás régiója. Például: "USA 2. nyugati régiója".
    Név Az erőforrás neve.
    Tarifacsomag A nyelvi erőforrás tarifacsomagja. Az ingyenes (F0) szinttel kipróbálhatja a szolgáltatást.

    Feljegyzés

    Ha "a bejelentkezési fiókja nem a kiválasztott tárfiók erőforráscsoportjának tulajdonosa", akkor a nyelvi erőforrás létrehozása előtt a fióknak hozzá kell rendelnie egy tulajdonosi szerepkört az erőforráscsoporthoz. Segítségért forduljon az Azure-előfizetés tulajdonosához.

  4. A szolgáltatás szakaszában válasszon ki egy meglévő tárfiókot, vagy válassza az Új tárfiók lehetőséget. Ezek az értékek segítenek az első lépésekben, és nem feltétlenül azok a tárfiókértékek , amelyeket éles környezetben szeretne használni. A projekt létrehozása során felmerülő késés elkerülése érdekében csatlakozzon a nyelvi erőforrással azonos régióban lévő tárfiókokhoz.

    Tárfiók értéke Javasolt érték
    Tárfiók neve Bármely név
    Tárfiók típusa Standard LRS

  5. Győződjön meg arról, hogy a Felelős AI-értesítés be van jelölve. Válassza a Lap alján a Véleményezés + létrehozás lehetőséget, majd a Létrehozás lehetőséget.

Mintaadatok feltöltése blobtárolóba

Miután létrehozott egy Azure Storage-fiókot, és csatlakoztatta a nyelvi erőforráshoz, fel kell töltenie a dokumentumokat a mintaadatkészletből a tároló gyökérkönyvtárába. Ezek a dokumentumok később a modell betanítása gombra lesznek használva.

Először töltse le az egyéni hangulatelemzési projektek mintaadatkészletét. Nyissa meg a .zip fájlt, és bontsa ki a dokumentumokat tartalmazó mappát. A megadott mintaadatkészlet dokumentumokat tartalmaz, amelyek mindegyike egy ügyfél-felülvizsgálat rövid példája.

  1. Keresse meg a tárfiókba feltölteni kívánt fájlokat

  2. Az Azure Portalon keresse meg a létrehozott tárfiókot, és válassza ki.

  3. A tárfiókban válassza a Tárolók lehetőséget a bal oldali menüBen, az Adattárolás alatt. A megjelenő képernyőn válassza a + Tároló lehetőséget. Adja meg a tárolónak a példaadatokat, és hagyja meg az alapértelmezett nyilvános hozzáférési szintet.

    A screenshot showing the main page for a storage account.

  4. A tároló létrehozása után válassza ki. Ezután válassza a Feltöltés gombot a .txt korábban letöltött fájlok és .json fájlok kiválasztásához.

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

Egyéni hangulatelemzési projekt létrehozása

Miután konfigurálta az erőforrás- és tárolótárolót, hozzon létre egy új egyéni hangulatelemzési projektet. A projekt az adatokon alapuló egyéni ml-modellek készítésének munkaterülete. A projektet csak Ön és mások érhetik el, akik hozzáférnek a használt nyelvi erőforráshoz.

  1. Jelentkezzen be a Language Studióba. Megjelenik egy ablak, amely lehetővé teszi az előfizetés és a nyelvi erőforrás kiválasztását. Válassza ki a fenti lépésben létrehozott nyelvi erőforrást.

  2. Válassza ki a Language Studióban használni kívánt funkciót.

  3. Válassza az Új projekt létrehozása lehetőséget a projektek lapjának felső menüjében. A projekt létrehozása lehetővé teszi az adatok címkézését, a modellek betanítása, kiértékelése, fejlesztése és üzembe helyezése.

    A screenshot of the project creation page.

  4. Adja meg a projekt adatait, beleértve a projektben lévő fájlok nevét, leírását és nyelvét. Ha a példaadatkészletet használja, válassza az Angol lehetőséget. A projekt nevét később nem módosíthatja. Válassza a Tovább lehetőséget

    Tipp.

    Az adatkészletnek nem kell teljesen azonos nyelven lennie. Több dokumentumot is használhat, amelyek mindegyike különböző támogatott nyelvekkel rendelkezik. Ha az adathalmaz különböző nyelvű dokumentumokat tartalmaz, vagy ha futásidőben különböző nyelvektől vár szöveget, akkor a projekt alapadatainak megadásakor válassza a többnyelvű adatkészlet engedélyezése lehetőséget. Ez a beállítás később engedélyezhető a Projekt beállításai lapon.

  5. Miután kiválasztotta az Új projekt létrehozása lehetőséget, megjelenik egy ablak, amely lehetővé teszi a tárfiók csatlakoztatását. Ha már csatlakoztatott egy tárfiókot, látni fogja, hogy a tárfiók csatlakoztatva van. Ha nem, válassza ki a tárfiókot a megjelenő legördülő listából, és válassza ki Csatlakozás tárfiókot. Ezzel beállítja a tárfiókhoz szükséges szerepköröket. Ez a lépés valószínűleg hibát ad vissza, ha nincs tulajdonosként hozzárendelve a tárfiókhoz.

    Feljegyzés

    • Ezt a lépést csak egyszer kell elvégeznie minden egyes új erőforráshoz, amelyet használ.
    • Ez a folyamat visszafordíthatatlan, ha egy tárfiókot csatlakoztat a nyelvi erőforráshoz, később nem bonthatja le.
    • A nyelvi erőforrást csak egy tárfiókhoz csatlakoztathatja.

  6. Válassza ki azt a tárolót, ahová feltöltötte az adathalmazt.

  7. Ha már felcímkézett adatokat, győződjön meg arról, hogy az a támogatott formátumot követi, és válassza az Igen lehetőséget, a fájljaim már fel vannak címkézve, és formázott JSON-címkéket tartalmazó fájllal rendelkezem, és a legördülő menüben válassza ki a címkefájlt. Válassza a Tovább lehetőséget. Ha a rövid útmutatóban szereplő adathalmazt használja, nem szükséges áttekinteni a JSON-címkék fájljának formázását.

  8. Tekintse át a megadott adatokat, és válassza a Projekt létrehozása lehetőséget.

A modell betanítása

A projekt létrehozása után általában elkezdi címkézni a projekthez csatlakoztatott tárolóban lévő dokumentumokat. Ebben a rövid útmutatóban importált egy címkével ellátott mintaadatkészletet, és inicializálta a projektet a JSON-címkék mintafájljával.

A modell betanításának megkezdése a Language Studióban:

  1. A bal oldali menüben válassza a Betanítási feladatok lehetőséget.

  2. Válassza a Betanítási feladat indítása lehetőséget a felső menüben.

  3. Válassza az Új modell betanítása lehetőséget, és írja be a modell nevét a szövegmezőbe. A meglévő modell felülírásához válassza ezt a lehetőséget, és válassza ki azt a modellt, amelyet felül szeretne írni a legördülő menüből. A betanított modellek felülírása visszavonhatatlan, de az az új modell üzembe helyezéséig nem érinti az üzembe helyezett modelleket.

    Create a new training job

  4. A rendszer alapértelmezés szerint felosztja a címkézett adatokat a betanítási és tesztelési csoportok között a megadott százalékos értékek szerint. Ha dokumentumai vannak a tesztelési csoportban, manuálisan feloszthatja a betanítási és tesztelési adatokat.

  5. Válassza a Betanítása gombot.

  6. Ha kiválasztja a betanítási feladat azonosítóját a listából, megjelenik egy oldalpanel, ahol ellenőrizheti a betanítás állapotát, a feladat állapotát és a feladat egyéb adatait.

    Feljegyzés

    • Csak a sikeresen befejezett betanítási feladatok hoznak létre modelleket.
    • A betanítás eltarthat néhány perc és több óra között a címkézett adatok méretétől függően.
    • Egyszerre csak egy betanítási feladat futtatható. Amíg a futó feladat be nem fejeződik, nem lehet másik betanítási feladatot elindítani ugyanabban a projektben.

A modell üzembe helyezése

A modell betanítása után általában áttekintheti az értékelés részleteit, és szükség esetén fejleszthet. Ebben a rövid útmutatóban egyszerűen üzembe helyezi a modellt, és elérhetővé teszi a Language Studióban való kipróbáláshoz, vagy meghívhatja az előrejelzési API-t.

A modell üzembe helyezése a Language Studióban:

  1. Válassza a Modell üzembe helyezése lehetőséget a bal oldali menüben.

  2. Új üzembehelyezési feladat elindításához válassza az Üzembe helyezés hozzáadása lehetőséget.

    A screenshot showing the deployment button

  3. Új üzembe helyezés létrehozásához válassza az Új üzembe helyezés létrehozása lehetőséget, és rendeljen hozzá egy betanított modellt az alábbi legördülő listából. A meglévő üzembe helyezés felülírásához válassza ezt a lehetőséget, és válassza ki azt a betanított modellt, amelyet hozzá szeretne rendelni az alábbi legördülő menüből.

    Feljegyzés

    A meglévő üzembe helyezés felülírásához nincs szükség az előrejelzési API-hívás módosítására, de a kapott eredmények az újonnan hozzárendelt modellen alapulnak.

    A screenshot showing the deployment screen

  4. Az üzembe helyezési feladat elindításához válassza az Üzembe helyezés lehetőséget.

  5. A sikeres üzembe helyezés után mellette megjelenik egy lejárati dátum. Az üzembe helyezés lejárata az, amikor az üzembe helyezett modell nem lesz használható előrejelzéshez, ami általában tizenkét hónappal a betanítási konfiguráció lejárta után következik be.

Modell tesztelése

A modell üzembe helyezése után megkezdheti a szöveg besorolását a Prediction API-val. Ebben a rövid útmutatóban a Language Studio használatával küldi el az egyéni hangulatelemzési feladatot, és megjeleníti az eredményeket. A korábban letöltött mintaadatkészletben megtalálhatja az ebben a lépésben használható tesztdokumentumokat.

Az üzembe helyezett modellek tesztelése a Language Studióban:

  1. A bal oldali menüben válassza az Üzemelő példányok tesztelése lehetőséget.

  2. Válassza ki a tesztelni kívánt üzembe helyezést. Csak az üzemelő példányokhoz rendelt modelleket tesztelheti.

  3. Többnyelvű projektek esetén a nyelvi legördülő menüből válassza ki a tesztelt szöveg nyelvét.

  4. Válassza ki a lekérdezni/tesztelni kívánt üzembe helyezést a legördülő listában.

  5. Beírhatja a kérelembe elküldeni kívánt szöveget, vagy feltöltheti .txt a használni kívánt fájlt.

  6. Válassza a teszt futtatása lehetőséget a felső menüben.

  7. Az Eredmény lapon megtekintheti a szövegből kinyert entitásokat és azok típusait. A JSON-választ a JSON lapon is megtekintheti.

Projektek törlése

Ha már nincs szüksége a projektre, törölheti a projektet a Language Studióval. Válassza ki a használt funkciót a tetején, majd válassza ki a törölni kívánt projektet. A projekt törléséhez válassza a Törlés lehetőséget a felső menüből.

Előfeltételek

Új Azure Language-erőforrás és Azure Storage-fiók létrehozása

Az egyéni hangulatelemzés használatához létre kell hoznia egy Azure Language-erőforrást, amely megadja a projekt létrehozásához és a modell betanításához szükséges hitelesítő adatokat. Szüksége lesz egy Azure Storage-fiókra is, ahol feltöltheti a modell létrehozásához használt adatkészletet.

Fontos

A gyors kezdéshez javasoljuk, hogy hozzon létre egy új Azure Language-erőforrást a jelen cikkben ismertetett lépésekkel, amely lehetővé teszi a nyelvi erőforrás létrehozását, valamint egy tárfiók egyidejű létrehozását és/vagy csatlakoztatását, ami egyszerűbb, mint később.

Új erőforrás létrehozása az Azure Portalról

  1. Lépjen az Azure Portalra egy új Azure AI-nyelvi erőforrás létrehozásához.

  2. A megjelenő ablakban válassza ki ezt a szolgáltatást az egyéni funkciók közül. A Folytatás gombra kattintva hozza létre az erőforrást a képernyő alján.

    A screenshot showing custom text classification & custom named entity recognition in the Azure portal.

  3. Hozzon létre egy nyelvi erőforrást a következő részletekkel.

    Név Leírás
    Előfizetés Az Azure-előfizetése.
    Erőforráscsoport Az erőforrást tartalmazó erőforráscsoport. Használhat egy meglévőt, vagy létrehozhat egy újat.
    Régió A nyelvi erőforrás régiója. Például: "USA 2. nyugati régiója".
    Név Az erőforrás neve.
    Tarifacsomag A nyelvi erőforrás tarifacsomagja. Az ingyenes (F0) szinttel kipróbálhatja a szolgáltatást.

    Feljegyzés

    Ha "a bejelentkezési fiókja nem a kiválasztott tárfiók erőforráscsoportjának tulajdonosa", akkor a nyelvi erőforrás létrehozása előtt a fióknak hozzá kell rendelnie egy tulajdonosi szerepkört az erőforráscsoporthoz. Segítségért forduljon az Azure-előfizetés tulajdonosához.

  4. A szolgáltatás szakaszában válasszon ki egy meglévő tárfiókot, vagy válassza az Új tárfiók lehetőséget. Ezek az értékek segítenek az első lépésekben, és nem feltétlenül azok a tárfiókértékek , amelyeket éles környezetben szeretne használni. A projekt létrehozása során felmerülő késés elkerülése érdekében csatlakozzon a nyelvi erőforrással azonos régióban lévő tárfiókokhoz.

    Tárfiók értéke Javasolt érték
    Tárfiók neve Bármely név
    Tárfiók típusa Standard LRS

  5. Győződjön meg arról, hogy a Felelős AI-értesítés be van jelölve. Válassza a Lap alján a Véleményezés + létrehozás lehetőséget, majd a Létrehozás lehetőséget.

Mintaadatok feltöltése blobtárolóba

Miután létrehozott egy Azure Storage-fiókot, és csatlakoztatta a nyelvi erőforráshoz, fel kell töltenie a dokumentumokat a mintaadatkészletből a tároló gyökérkönyvtárába. Ezek a dokumentumok később a modell betanítása gombra lesznek használva.

Először töltse le az egyéni hangulatelemzési projektek mintaadatkészletét. Nyissa meg a .zip fájlt, és bontsa ki a dokumentumokat tartalmazó mappát. A megadott mintaadatkészlet dokumentumokat tartalmaz, amelyek mindegyike egy ügyfél-felülvizsgálat rövid példája.

  1. Keresse meg a tárfiókba feltölteni kívánt fájlokat

  2. Az Azure Portalon keresse meg a létrehozott tárfiókot, és válassza ki.

  3. A tárfiókban válassza a Tárolók lehetőséget a bal oldali menüBen, az Adattárolás alatt. A megjelenő képernyőn válassza a + Tároló lehetőséget. Adja meg a tárolónak a példaadatokat, és hagyja meg az alapértelmezett nyilvános hozzáférési szintet.

    A screenshot showing the main page for a storage account.

  4. A tároló létrehozása után válassza ki. Ezután válassza a Feltöltés gombot a .txt korábban letöltött fájlok és .json fájlok kiválasztásához.

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

Kulcs és végpont lekérése

Ezután szüksége lesz az erőforrás kulcsára és végpontjára az alkalmazás API-hoz való csatlakoztatásához. A rövid útmutató későbbi részében illessze be a kulcsot és a végpontot a kódba.

  1. A nyelvi erőforrás sikeres üzembe helyezése után kattintson az Ugrás az erőforrásra gombra a Következő lépések csoportban.

    A screenshot showing the next steps after a resource has deployed.

  2. Az erőforrás képernyőjén válassza a bal oldali navigációs menü Kulcsok és végpont elemét. Az alábbi lépésekben az egyik kulcsot és a végpontot fogja használni.

    A screenshot showing the keys and endpoint section for a resource.

Egyéni hangulatelemzési projekt létrehozása

Miután konfigurálta az erőforrás- és tárolótárolót, hozzon létre egy új egyéni hangulatelemzési projektet. A projekt az adatokon alapuló egyéni ml-modellek készítésének munkaterülete. A projektet csak Ön és mások érhetik el, akik hozzáférnek a használt nyelvi erőforráshoz.

Projektfeladat importálásának aktiválása

Küldjön post kérést a következő URL-cím, fejlécek és JSON-törzs használatával a címkék fájljának importálásához.

Ha már létezik ilyen nevű projekt, a program lecseréli a projekt adatait.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}/:import?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{API-VERSION} A hívott API verziója. Az itt hivatkozott érték a legújabb kiadott verzióhoz tartozik. További információ a többi elérhető API-verzióról 2023-04-15-preview

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítésére szolgál.

Törzs

Használja a következő JSON-t a kérésben. Cserélje le az alábbi helyőrző értékeket a saját értékeire.

{
  "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
              }
          ]
      }
    ]
  }
}
Kulcs Helyőrző Érték Példa
api-verzió {API-VERSION} A hívott API verziója. Az itt használt verziónak meg kell egyeznie az URL-cím API-verziójával. További információ a többi elérhető API-verzióról 2023-04-15-preview
projectName {PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
projectKind CustomTextSentiment A projekt típusa. CustomTextSentiment
language {LANGUAGE-CODE} A projektben használt dokumentumok nyelvi kódját meghatározó sztring. Ha a projekt többnyelvű projekt, válassza ki a dokumentumok többségének nyelvi kódját. A többnyelvű támogatással kapcsolatos további információkért tekintse meg a nyelvi támogatást . en-us
Többnyelvű true Logikai érték, amely lehetővé teszi, hogy a dokumentumok több nyelven is szerepeljenek az adathalmazban, és a modell üzembe helyezésekor a modellt bármely olyan támogatott nyelven lekérdezheti, amely nem feltétlenül szerepel a betanítási dokumentumokban. A többnyelvű támogatással kapcsolatos további információkért tekintse meg a nyelvi támogatást . true
storageInputContainerName {CONTAINER-NAME} Annak az Azure Storage-tárolónak a neve, ahová feltöltötte a dokumentumait. myContainer
documents [] A projekt összes dokumentumát és a dokumentumhoz címkézett osztályokat tartalmazó tömb. []
hely {DOCUMENT-NAME} A dokumentumok helye a tárolóban. Mivel az összes dokumentum a tároló gyökerében található, ennek kell lennie a dokumentum nevének. doc1.txt
sentimentSpans {sentimentSpans} A dokumentum hangulata (pozitív, semleges, negatív), a vélemény kezdőpozíciója és hossza. []

Miután elküldte az API-kérést, kapni fog egy 202 választ, amely jelzi, hogy a feladat helyesen lett elküldve. A válaszfejlécekben bontsa ki az operation-location értéket. A következő módon lesz formázva:

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

{JOB-ID} a kérés azonosítására szolgál, mivel ez a művelet aszinkron. Ezt az URL-címet fogja használni az importálási feladat állapotának lekéréséhez.

A kérés lehetséges hibaforgatókönyvei:

  • A storageInputContainerName megadott nem létezik.
  • Érvénytelen nyelvi kód van használatban, vagy ha a nyelvi kód típusa nem sztring.
  • multilingual az érték egy sztring, és nem logikai érték.

Importálási feladat állapotának lekérése

Az alábbi GET kéréssel kérheti le a projekt importálásának állapotát. Cserélje le az alábbi helyőrző értékeket a saját értékeire.

Kérelem URL-címe

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{JOB-ID} A modell betanítási állapotának helyének azonosítója. Ez az érték az location előző lépésben kapott fejlécértékben van. xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx
{API-VERSION} A hívott API verziója. Az itt hivatkozott érték a legújabb kiadott verzióhoz tartozik. További információ a többi elérhető API-verzióról 2023-04-15-preview

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítésére szolgál.

A modell betanítása

A projekt létrehozása után általában elkezdi címkézni a projekthez csatlakoztatott tárolóban lévő dokumentumokat. Ebben a rövid útmutatóban importált egy címkézett mintaadatkészletet, és inicializálta a projektet a JSON-címkék mintafájljával.

A modell betanításának megkezdése

A projekt importálása után megkezdheti a modell betanítását.

Post-kérés elküldése a következő URL-cím, fejlécek és JSON-törzs használatával egy betanítási feladat elküldéséhez. Cserélje le a helyőrző értékeket a saját értékeire.

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{API-VERSION} A meghívni kívánt API verziója. Az itt hivatkozott érték a legújabb kiadott verzióhoz tartozik. További információ a többi elérhető API-verzióról 2023-04-15-preview

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítésére szolgál.

Kérés törzse

Használja a következő JSON-t a kérelem törzsében. A modell megkapja a {MODEL-NAME} betanítás befejezését. Csak a sikeres betanítási feladatok hoznak létre modelleket.

{
	"modelLabel": "{MODEL-NAME}",
	"trainingConfigVersion": "{CONFIG-VERSION}",
	"evaluationOptions": {
		"kind": "percentage",
		"trainingSplitPercentage": 80,
		"testingSplitPercentage": 20
	}
}
Kulcs Helyőrző Érték Példa
modelLabel {MODEL-NAME} A modell neve, amely a sikeres betanítása után lesz hozzárendelve a modellhez. myModel
trainingConfigVersion {CONFIG-VERSION} Ez a modellverzió lesz a modell betanítása. 2023-04-15-preview
evaluationOptions Lehetőség az adatok betanítási és tesztelési csoportok közötti felosztására. {}
kind percentage Felosztási módszerek. A lehetséges értékek: percentage és manual. percentage
trainingSplitPercentage 80 A betanítási csoportban szerepeltetni kívánt címkézett adatok százalékos aránya. A javasolt érték a .80 80
testingSplitPercentage 20 A tesztkészletbe felvenni kívánt címkézett adatok százalékos aránya. A javasolt érték a .20 20

Feljegyzés

Az trainingSplitPercentage és testingSplitPercentage csak akkor szükséges, ha Kind be van állítva percentage , és mindkét százalék összege 100-nak kell lennie.

Miután elküldte az API-kérést, kapni fog egy 202 választ, amely jelzi, hogy a feladat helyesen lett elküldve. A válaszfejlécekben bontsa ki az location értéket. A következő módon lesz formázva:

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

A(z) {JOB-ID} a kérés azonosítására szolgál, mivel ez a művelet aszinkron. Ezzel az URL-címel lekérheti a betanítás állapotát.

Betanítási feladat állapotának lekérése

A betanítás 10 és 30 perc közötti időt vehet igénybe. A következő kéréssel továbbra is lekérdezheti a betanítási feladat állapotát, amíg az sikeresen be nem fejeződik.

A modell betanítási folyamatának állapotának lekéréséhez használja az alábbi GET-kérést . Cserélje le a helyőrző értékeket a saját értékeire.

Kérelem URL-címe

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{JOB-ID} A modell betanítási állapotának helyének azonosítója. Ez az érték az location előző lépésben kapott fejlécértékben van. xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx
{API-VERSION} A hívott API verziója. Az itt hivatkozott érték a legújabb kiadott verzióhoz tartozik. A modell életciklusában további információt talál a többi elérhető API-verzióról. 2023-04-15-preview

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítésére szolgál.

Választörzs

A kérés elküldése után a következő választ kapja.

{
  "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"
}

A modell üzembe helyezése

A modell betanítása után általában áttekintheti az értékelés részleteit, és szükség esetén fejleszthet. Ebben a rövid útmutatóban egyszerűen üzembe helyezi a modellt, és elérhetővé teszi a Language Studióban való kipróbáláshoz, vagy meghívhatja az előrejelzési API-t.

Üzembehelyezési feladat elküldése

PUT-kérés elküldése az alábbi URL-cím, fejlécek és JSON-törzs használatával üzembehelyezési feladat elküldéséhez. Cserélje le a helyőrző értékeket a saját értékeire.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}/deployments/{deploymentName}?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{DEPLOYMENT-NAME} Az üzembe helyezés neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. staging
{API-VERSION} A hívott API verziója. Az itt hivatkozott érték a legújabb kiadott verzióhoz tartozik. A modell életciklusában további információt talál a többi elérhető API-verzióról. 2023-04-15-preview

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítésére szolgál.

Kérés törzse

Használja a következő JSON-t a kérés törzsében. Használja az üzembe helyezéshez hozzárendelni kívánt modell nevét.

{
  "trainedModelLabel": "{MODEL-NAME}"
}
Kulcs Helyőrző Érték Példa
betanítottModelLabel {MODEL-NAME} Az üzembe helyezéshez hozzárendelendő modellnév. Csak sikeresen betanított modelleket rendelhet hozzá. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myModel

Miután elküldte az API-kérést, kapni fog egy 202 választ, amely jelzi, hogy a feladat helyesen lett elküldve. A válaszfejlécekben bontsa ki az operation-location értéket. A következő módon lesz formázva:

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

{JOB-ID} a kérés azonosítására szolgál, mivel ez a művelet aszinkron. Ezzel az URL-címel lekérheti az üzembe helyezés állapotát.

Üzembehelyezési feladat állapotának lekérése

Az üzembehelyezési feladat állapotának lekérdezéséhez használja a következő GET kérést. Használhatja az előző lépéstől kapott URL-címet, vagy lecserélheti a helyőrző értékeket a saját értékeire.

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{DEPLOYMENT-NAME} Az üzembe helyezés neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. staging
{JOB-ID} A modell betanítási állapotának helyének azonosítója. Ez az location előző lépésben kapott fejlécértékben található. xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx
{API-VERSION} A meghívni kívánt API verziója. Az itt hivatkozott érték a legújabb kiadott verzióhoz tartozik. A modell életciklusában további információt talál a többi elérhető API-verzióról. 2023-04-15-preview

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítésére szolgál.

Választörzs

A kérés elküldése után a következő választ kapja. Tartsa le a végpont lekérdezését, amíg az állapotparaméter "sikeres" értékre nem változik. A kérés sikerességét jelző kódot kell kapnia 200 .

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

Szöveg osztályozása

A modell sikeres üzembe helyezése után megkezdheti a szöveg besorolását a Prediction API-val. A korábban letöltött mintaadatkészletben megtalálhatja az ebben a lépésben használható tesztdokumentumokat.

Egyéni hangulatelemzési feladat elküldése

Ezzel a POST-kéréssel elindíthat egy szövegbesorolási feladatot.

{ENDPOINT}/language/analyze-text/jobs?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{API-VERSION} A hívott API verziója. Az itt hivatkozott érték a legújabb kiadott verzióhoz tartozik. 2023-04-15-preview

Fejlécek

Kulcs Érték
Ocp-Apim-Subscription-Key Az API-hoz hozzáférést biztosító kulcs.

Törzs

{
  "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}"
      }
    }
  ]
}
Kulcs Helyőrző Érték Példa
displayName {JOB-NAME} A feladat neve. MyJobName
documents [{},{}] A feladatokat futtatni kívánt dokumentumok listája. [{},{}]
id {DOC-ID} Dokumentum neve vagy azonosítója. doc1
language {LANGUAGE-CODE} A dokumentum nyelvi kódját meghatározó sztring. Ha ez a kulcs nincs megadva, a szolgáltatás feltételezi a projekt alapértelmezett nyelvét, amely a projekt létrehozásakor lett kiválasztva. en-us
text {DOC-TEXT} Dokumentumfeladat a tevékenységek futtatásához. Lorem ipsum dolor sit amet
tasks A végrehajtani kívánt feladatok listája. []
taskName CustomTextSentiment A tevékenység neve CustomTextSentiment
parameters A feladatnak átadni kívánt paraméterek listája.
project-name {PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
deployment-name {DEPLOYMENT-NAME} Az üzembe helyezés neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. prod

Válasz

A 202-ben kapott válasz azt jelzi, hogy a feladat sikeresen elküldve lett. A válaszfejlécekben bontsa ki operation-locationa . operation-location formátuma a következő:

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

Ezzel az URL-címvel lekérdezheti a tevékenység befejezési állapotát, és lekérheti az eredményeket a tevékenység befejezésekor.

Tevékenység eredményeinek lekérése

Az egyéni entitásfelismerő feladat állapotának/eredményeinek lekérdezéséhez használja az alábbi GET kérést.

{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{API-VERSION} A meghívni kívánt API verziója. Az itt hivatkozott érték a legújabb kiadott verzióhoz tartozik. 2023-04-15-preview

Fejlécek

Kulcs Érték
Ocp-Apim-Subscription-Key Az API-hoz hozzáférést biztosító kulcs.

Válasz törzse

A válasz egy JSON-dokumentum, amely a következő paraméterekkel rendelkezik

{
  "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"
        }
      }
    ]
  }
}

Az erőforrások eltávolítása

Ha már nincs szüksége a projektre, az alábbi DELETE kéréssel törölheti azt. Cserélje le a helyőrző értékeket a saját értékeire.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{API-VERSION} A hívott API verziója. Az itt hivatkozott érték a legújabb kiadott verzióhoz tartozik. További információ a többi elérhető API-verzióról 2023-04-15-preview

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítésére szolgál.

Az API-kérés elküldése után egy 202 sikeres választ kap, ami azt jelenti, hogy a projekt törölve lett. A sikeres hívás eredménye a Operation-Location feladat állapotának ellenőrzésére szolgáló fejléccel.

Következő lépések

Miután létrehozott egy egyéni hangulatelemzési modellt, a következőt teheti:

Amikor elkezd saját egyéni hangulatelemzési projekteket létrehozni, az útmutató cikkek segítségével részletesebben tájékozódhat a modell fejlesztéséről: