快速入門:對話式語言理解
使用本文開始使用 Language Studio 和 REST API 的對話式語言理解。 請遵循下列步驟來試用範例。
必要條件
- Azure 訂用帳戶 - 免費 建立一個訂用帳戶。
登入 Language Studio
請前往 Language Studio,並以您的 Azure 帳戶登入。
在出現的 [ 選擇語言資源 ] 視窗中,尋找您的 Azure 訂用帳戶,然後選擇您的語言資源。 如果您沒有資源,您可以建立新的資源。
實例詳細資料 必要值 Azure 訂用帳戶 您的 Azure 訂閱。 Azure 資源群組 您的 Azure 資源組名。 Azure 資源名稱 您的 Azure 資源名稱。 位置 您語言資源的其中一個支援區域 。 例如「美國西部 2」。 定價層 語言資源的其中一個有效 定價層 。 您可以使用免費 (F0) 層來嘗試服務。
建立交談語言理解專案
選取 [語言] 資源之後,請建立對話式語言理解專案。 專案是一個工作區域,可根據您的資料建置自訂 ML 模型。 您的專案只能由您和其他人存取所使用之語言資源。
在本快速入門中,您可以下載 此範例專案檔 並加以匯入。 此專案可以從使用者輸入預測預期的命令,例如:讀取電子郵件、刪除電子郵件,以及將檔附加至電子郵件。
在 Language Studio 的 [ 瞭解問題和交談語言 ] 區段底下,選取 [對話式語言理解 ]。
這會將您帶到 對話語言理解專案 頁面。 在 [建立新專案] 按鈕旁,選取 [匯入]。
在出現的視窗中,上傳您要匯入的 JSON 檔案。 請確定您的檔案遵循 支援的 JSON 格式 。
上傳完成後,您會登陸 [ 架構定義 ] 頁面。 在本快速入門中,已建置架構,且語句已加上意圖和實體的標籤。
定型您的模型
一般而言,建立專案之後,您應該 建置架構 和 標記語句 。 在本快速入門中,我們已匯入具有已建置架構和已標記語句的就緒專案。
若要定型模型,您必須開始定型作業。 成功的定型作業輸出是您定型的模型。
若要從 Language Studio 內 開始訓練您的模型:
從左側功能表中選取 [定型模型 ]。
從頂端功能表中選取 [啟動訓練作業 ]。
選取 [定型新模型],然後在文字輸入框中輸入模型名稱。 否則,若要以在新資料上定型的模型取代現有的模型,請選取 [覆寫現有的模型],然後選取現有的模型。 覆寫已定型的模型是不可復原的,但在您部署新模型之前,不會影響已部署的模型。
選取定型模式。 您可以選擇 標準訓練以加快訓練 速度,但僅適用于英文。 或者, 您可以選擇支援其他語言和多語系專案的進階訓練 ,但需要較長的訓練時間。 深入瞭解模型定型。
選取資料分割 方法。 您可以選擇 [從定型資料 自動分割測試集],其中系統會根據指定的百分比,在定型集與測試集之間分割語句。 或者, 您可以使用手動分割定型和測試資料 ,只有在您將語句 加上標籤時已將語句新增至測試集時 ,才會啟用此選項。
選取 [ 訓練] 按鈕。
選取清單中的定型作業識別碼。 隨即顯示窗格,您可以在其中檢查此作業的定型進度、作業狀態及其他詳細資料。
注意
- 只有成功完成的定型作業才會產生模型。
- 根據語句計數,定型可能需要幾分鐘到幾個小時的時間。
- 您一次只能執行一個定型作業。 除非執行中的作業完成,否則無法在同一個專案內啟動其他定型作業。
- 用來定型模型的機器學習會定期更新。 若要在先前的設定版本上定型,請從 [開始定型作業] 頁面選取 [選取這裡以變更],然後選擇舊版。
部署模型
一般而言,在定型模型之後,您將檢閱其評估詳細資料。 在本快速入門中,您只會部署模型,並讓它可供您在 Language Studio 中試用,或者您可以呼叫 預測 API 。
若要從 Language Studio 內 部署模型:
從左側功能表中選取 [部署模型 ]。
選取 [新增部署] 以啟動 [新增部署] 精靈。
選取 [建立新的部署] 以建立新的部署,並從下方的下拉式清單中指派定型的模型。 否則,您可以選取 [覆寫現有的部署名稱],以有效地取代現有部署所使用的模型。
注意
覆寫現有的部署不需要變更預測 API 呼叫,但您得到的結果會以新指派的模型為基礎。
從 [模型] 下拉式清單中選取定型的模型。
選取 [部署] 以啟動部署作業。
部署成功之後,到期日會出現在它旁邊。 部署到期 是當部署的模型無法用於預測時,通常發生在 定型組態到期後的 12 個月。
測試已部署的模型
若要從 Language Studio 內 測試已部署的模型:
從左側功能表中選取 [測試部署 ]。
針對多語系專案,從 [ 選取文字語言 ] 下拉式清單中,選取您要測試之語句的語言。
從 [ 部署名稱] 下拉式清單中,選取對應至您要測試之模型的部署名稱。 您只能測試指派給部署的模型。
在文字方塊中,輸入要測試的語句。 例如,如果您為電子郵件相關語句建立應用程式,您可以輸入 [刪除此電子郵件 ]。
在頁面頂端,選取 [ 執行測試 ]。
執行測試之後,您應該會在結果中看到模型的回應。 您可以在實體卡片檢視中檢視結果,或以 JSON 格式檢視結果。
清除資源
當您不再需要專案時,可以使用 Language Studio 刪除專案。 從左側導覽功能表選取 [專案],選取要刪除的專案,然後從頂端功能表選取 [刪除]。
必要條件
- Azure 訂用帳戶 - 免費 建立一個訂用帳戶。
從Azure 入口網站建立新的資源
登入 Azure 入口網站以建立新的 Azure AI 語言資源。
選取 [建立新的資源]
在出現的視窗中,搜尋 語言服務
選取 [建立]
使用下列詳細資料建立語言資源。
實例詳細資料 必要值 區域 您語言資源的其中一個支援區域 。 名稱 語言資源的必要名稱 定價層 語言資源的其中 一個支援定價層 。
取得您的資源金鑰和端點
移至Azure 入口網站中的 資源概觀 頁面。
從左側的功能表中,選取 [金鑰] 和 [ 端點 ]。 您將針對 API 要求使用端點和金鑰
匯入新的 CLU 範例專案
建立語言資源之後,請建立交談式語言理解專案。 專案是一個工作區域,可根據您的資料建置自訂 ML 模型。 您的專案只能由您和其他人存取所使用之語言資源。
在本快速入門中,您可以下載 此範例專案 並加以匯入。 此專案可以從使用者輸入預測預期的命令,例如:讀取電子郵件、刪除電子郵件,以及將檔附加至電子郵件。
觸發匯入專案作業
使用下列 URL、標頭和 JSON 主體提交 POST 要求,以匯入您的專案。
要求 URL
建立 API 要求時,請使用下列 URL。 將預留位置值取代為您自己的值。
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:import?api-version={API-VERSION}
預留位置 | 值 | 範例 |
---|---|---|
{ENDPOINT} |
用於驗證 API 要求的端點。 | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
專案名稱。 此值會區分大小寫,而且必須符合您要匯入支 JSON 檔案中的專案名稱。 | EmailAppDemo |
{API-VERSION} |
您要呼叫的 API 版本 。 | 2023-04-01 |
標頭
使用下列標頭來驗證您的要求。
Key | 值 |
---|---|
Ocp-Apim-Subscription-Key |
資源的索引鍵。 用於驗證 API 要求。 |
本文
您傳送的 JSON 本文類似於下列範例。 如需 JSON 物件的詳細資訊,請參閱參考文件。
{
"projectFileVersion": "{API-VERSION}",
"stringIndexType": "Utf16CodeUnit",
"metadata": {
"projectKind": "Conversation",
"settings": {
"confidenceThreshold": 0.7
},
"projectName": "{PROJECT-NAME}",
"multilingual": true,
"description": "Trying out CLU",
"language": "{LANGUAGE-CODE}"
},
"assets": {
"projectKind": "Conversation",
"intents": [
{
"category": "intent1"
},
{
"category": "intent2"
}
],
"entities": [
{
"category": "entity1"
}
],
"utterances": [
{
"text": "text1",
"dataset": "{DATASET}",
"intent": "intent1",
"entities": [
{
"category": "entity1",
"offset": 5,
"length": 5
}
]
},
{
"text": "text2",
"language": "{LANGUAGE-CODE}",
"dataset": "{DATASET}",
"intent": "intent2",
"entities": []
}
]
}
}
按鍵 | 預留位置 | 值 | 範例 |
---|---|---|---|
{API-VERSION} |
您要呼叫的 API 版本 。 | 2023-04-01 |
|
projectName |
{PROJECT-NAME} |
專案的名稱。 此值區分大小寫。 | EmailAppDemo |
language |
{LANGUAGE-CODE} |
字串,指定專案中所用語句的語言代碼。 如果您的專案是多語系專案,請選擇 大部分語句的語言代碼 。 | en-us |
multilingual |
true |
布林值,可讓您在資料集中具有多種語言的檔。 部署模型時,您可以以任何支援的語言 (包含不在您的定型文件中的語言) 查詢模型。 | true |
dataset |
{DATASET} |
如需在測試和定型集之間分割資料的資訊,請參閱 如何定型模型 。 此欄位 Train 的可能值為 和 Test 。 |
Train |
成功要求時,API 回應會包含 operation-location
標頭,其中包含可用來檢查匯入工作狀態的 URL。 其格式如下所示:
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}
取得匯入作業狀態
當您傳送成功的專案匯入要求時,檢查匯入作業狀態的完整要求 URL (包括端點、專案名稱和作業識別碼) 會包含在回應的 operation-location
標頭中。
使用下列 GET 要求來查詢匯入作業的狀態。 您可以使用您在上一個步驟中收到的 URL,或以您自己的值取代下列預留位置值。
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}
預留位置 | 值 | 範例 |
---|---|---|
{ENDPOINT} |
用於驗證 API 要求的端點。 | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
專案名稱。 此值區分大小寫。 | myProject |
{JOB-ID} |
用於尋找匯出作業狀態的識別碼。 | xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
{API-VERSION} |
您正在呼叫的 API 版本。 | 2023-04-01 |
標頭
使用下列標頭來驗證您的要求。
機碼 | 描述 | 值 |
---|---|---|
Ocp-Apim-Subscription-Key |
資源的索引鍵。 用於驗證 API 要求。 | {YOUR-PRIMARY-RESOURCE-KEY} |
回應本文
傳送要求之後,您會收到下列回應。 請持續輪詢此端點,直到狀態參數變更為「成功」為止。
{
"jobId": "xxxxx-xxxxx-xxxx-xxxxx",
"createdDateTime": "2022-04-18T15:17:20Z",
"lastUpdatedDateTime": "2022-04-18T15:17:22Z",
"expirationDateTime": "2022-04-25T15:17:20Z",
"status": "succeeded"
}
開始訓練您的模型
一般而言,建立專案之後,您應該 建置架構 和 標記語句 。 在本快速入門中,我們已匯入具有已建置架構和標記語句的就緒專案。
使用下列 URL、標頭和 JSON 主體建立 POST 要求,以提交定型作業。
要求 URL
建立 API 要求時,請使用下列 URL。 將預留位置值取代為您自己的值。
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}
預留位置 | 值 | 範例 |
---|---|---|
{ENDPOINT} |
用於驗證 API 要求的端點。 | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
專案名稱。 此值區分大小寫。 | EmailApp |
{API-VERSION} |
您正在呼叫的 API 版本。 | 2023-04-01 |
標頭
使用下列標頭來驗證您的要求。
Key | 值 |
---|---|
Ocp-Apim-Subscription-Key |
資源的索引鍵。 用於驗證 API 要求。 |
要求本文
在您的要求中使用下列物件。 定型完成後,模型會以您用於 modelLabel
參數的值命名。
{
"modelLabel": "{MODEL-NAME}",
"trainingMode": "{TRAINING-MODE}",
"trainingConfigVersion": "{CONFIG-VERSION}",
"evaluationOptions": {
"kind": "percentage",
"testingSplitPercentage": 20,
"trainingSplitPercentage": 80
}
}
按鍵 | 預留位置 | 值 | 範例 |
---|---|---|---|
modelLabel |
{MODEL-NAME} |
您的模型名稱。 | Model1 |
trainingConfigVersion |
{CONFIG-VERSION} |
定型組態模型版本。 根據預設,會使用最新的 模型版本 。 | 2022-05-01 |
trainingMode |
{TRAINING-MODE} |
要用於定型的定型模式。 支援的模式是 標準訓練、更快速的訓練 ,但僅適用于其他語言和多語系專案支援的英文和 進階訓練 ,但涉及較長的訓練時間。 深入瞭解模型定型。 | standard |
kind |
percentage |
分割方法。 可能的值為 percentage 或 manual 。 如需詳細資訊,請參閱 如何定型模型 。 |
percentage |
trainingSplitPercentage |
80 |
要包含在定型集中的標記資料百分比。 建議值為 80 。 |
80 |
testingSplitPercentage |
20 |
要包含在測試集中的標記資料百分比。 建議值為 20 。 |
20 |
注意
trainingSplitPercentage
只有在 設定為 percentage
且這兩個百分比的總和應等於 100 時 Kind
,才需要 和 testingSplitPercentage
。
傳送 API 要求之後,您會收到 202
指出成功的回應。 在回應標頭中,擷 operation-location
取值。 其格式如下:
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
您可以使用此 URL 來取得定型作業狀態。
取得定型作業狀態
訓練可能需要時間才能完成 -有時介於 10 到 30 分鐘之間。 您可以使用下列要求持續輪詢定型作業的狀態,直到成功完成為止。
當您傳送成功的訓練要求時,檢查作業狀態的完整要求 URL (包括端點、專案名稱和作業識別碼) 包含在回應的 operation-location
標頭中。
使用下列 GET 要求來取得模型定型進度的狀態。 以您自己的值取代下方的預留位置值。
要求 URL
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
預留位置 | 值 | 範例 |
---|---|---|
{YOUR-ENDPOINT} |
用於驗證 API 要求的端點。 | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
專案名稱。 此值區分大小寫。 | EmailApp |
{JOB-ID} |
用來尋找模型定型狀態的識別碼。 | xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
{API-VERSION} |
您正在呼叫的 API 版本。 | 2023-04-01 |
標頭
使用下列標頭來驗證您的要求。
Key | 值 |
---|---|
Ocp-Apim-Subscription-Key |
資源的索引鍵。 用於驗證 API 要求。 |
回應本文
傳送要求之後,您會收到下列回應。 請持續輪詢此端點, 直到狀態 參數變更為「成功」為止。
{
"result": {
"modelLabel": "{MODEL-LABEL}",
"trainingConfigVersion": "{TRAINING-CONFIG-VERSION}",
"trainingMode": "{TRAINING-MODE}",
"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": "xxxxx-xxxxx-xxxx-xxxxx-xxxx",
"createdDateTime": "2022-04-18T15:44:44Z",
"lastUpdatedDateTime": "2022-04-18T15:45:48Z",
"expirationDateTime": "2022-04-25T15:44:44Z",
"status": "running"
}
Key | 值 | 範例 |
---|---|---|
modelLabel |
模型名稱 | Model1 |
trainingConfigVersion |
定型組態版本。 根據預設,會 使用最新版本 。 | 2022-05-01 |
trainingMode |
您選取的 訓練模式 。 | standard |
startDateTime |
開始訓練的時間 | 2022-04-14T10:23:04.2598544Z |
status |
訓練作業的狀態 | running |
estimatedEndDateTime |
定型作業完成的估計時間 | 2022-04-14T10:29:38.2598544Z |
jobId |
您的訓練作業識別碼 | xxxxx-xxxx-xxxx-xxxx-xxxxxxxxx |
createdDateTime |
定型作業建立日期和時間 | 2022-04-14T10:22:42Z |
lastUpdatedDateTime |
定型作業上次更新的日期和時間 | 2022-04-14T10:23:45Z |
expirationDateTime |
定型作業到期日期和時間 | 2022-04-14T10:22:42Z |
部署模型
一般而言,在定型模型之後,您將檢閱其評估詳細資料。 在本快速入門中,您只會部署模型,並呼叫 預測 API 來查詢結果。
提交部署作業
使用下列 URL、標頭和 JSON 主體建立 PUT 要求,以開始部署對話式語言理解模型。
要求 URL
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version={API-VERSION}
預留位置 | 值 | 範例 |
---|---|---|
{ENDPOINT} |
用於驗證 API 要求的端點。 | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
專案名稱。 此值區分大小寫。 | myProject |
{DEPLOYMENT-NAME} |
部署的名稱。 此值區分大小寫。 | staging |
{API-VERSION} |
您正在呼叫的 API 版本。 | 2023-04-01 |
標頭
使用下列標頭來驗證您的要求。
Key | 值 |
---|---|
Ocp-Apim-Subscription-Key |
資源的索引鍵。 用於驗證 API 要求。 |
要求本文
{
"trainedModelLabel": "{MODEL-NAME}",
}
按鍵 | 預留位置 | 值 | 範例 |
---|---|---|---|
trainedModelLabel | {MODEL-NAME} |
模型名稱會指派給您的部署。 您只能指派已成功定型的模型。 此值區分大小寫。 | myModel |
傳送 API 要求之後,您會收到 202
指出成功的回應。 在回應標頭中,擷 operation-location
取值。 其格式如下:
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
您可以使用此 URL 來取得部署作業狀態。
取得部署作業狀態
當您傳送成功的部署要求時,檢查作業狀態的完整要求 URL (包括端點、專案名稱和作業識別碼) 會包含在回應的 operation-location
標頭中。
使用下列 GET 要求來取得部署作業的狀態。 將預留位置值取代為您自己的值。
要求 URL
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
預留位置 | 值 | 範例 |
---|---|---|
{ENDPOINT} |
用於驗證 API 要求的端點。 | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
專案名稱。 此值區分大小寫。 | myProject |
{DEPLOYMENT-NAME} |
部署的名稱。 此值區分大小寫。 | staging |
{JOB-ID} |
用來尋找模型定型狀態的識別碼。 | xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
{API-VERSION} |
您正在呼叫的 API 版本。 | 2023-04-01 |
標頭
使用下列標頭來驗證您的要求。
Key | 值 |
---|---|
Ocp-Apim-Subscription-Key |
資源的索引鍵。 用於驗證 API 要求。 |
回應本文
傳送要求之後,您會收到下列回應。 請持續輪詢此端點, 直到狀態 參數變更為「成功」為止。
{
"jobId":"{JOB-ID}",
"createdDateTime":"{CREATED-TIME}",
"lastUpdatedDateTime":"{UPDATED-TIME}",
"expirationDateTime":"{EXPIRATION-TIME}",
"status":"running"
}
查詢模型
部署模型之後,您就可以開始使用模型,透過 預測 API 進行預測。
部署成功之後,您就可以開始查詢已部署的模型以進行預測。
使用下列 URL、標頭和 JSON 主體建立 POST 要求,以開始測試對話式語言理解模型。
要求 URL
{ENDPOINT}/language/:analyze-conversations?api-version={API-VERSION}
預留位置 | 值 | 範例 |
---|---|---|
{ENDPOINT} |
用於驗證 API 要求的端點。 | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{API-VERSION} |
您正在呼叫的 API 版本。 | 2023-04-01 |
標頭
使用下列標頭來驗證您的要求。
Key | 值 |
---|---|
Ocp-Apim-Subscription-Key |
資源的索引鍵。 用於驗證 API 要求。 |
要求本文
{
"kind": "Conversation",
"analysisInput": {
"conversationItem": {
"id": "1",
"participantId": "1",
"text": "Text 1"
}
},
"parameters": {
"projectName": "{PROJECT-NAME}",
"deploymentName": "{DEPLOYMENT-NAME}",
"stringIndexType": "TextElement_V8"
}
}
按鍵 | 預留位置 | 值 | 範例 |
---|---|---|---|
participantId |
{JOB-NAME} |
"MyJobName |
|
id |
{JOB-NAME} |
"MyJobName |
|
text |
{TEST-UTTERANCE} |
您想要預測其意圖並從中擷取實體的語句。 | "Read Matt's email |
projectName |
{PROJECT-NAME} |
專案的名稱。 此值區分大小寫。 | myProject |
deploymentName |
{DEPLOYMENT-NAME} |
部署的名稱。 此值區分大小寫。 | staging |
傳送要求之後,您會收到下列預測回應
回應本文
{
"kind": "ConversationResult",
"result": {
"query": "Text1",
"prediction": {
"topIntent": "inten1",
"projectKind": "Conversation",
"intents": [
{
"category": "intent1",
"confidenceScore": 1
},
{
"category": "intent2",
"confidenceScore": 0
},
{
"category": "intent3",
"confidenceScore": 0
}
],
"entities": [
{
"category": "entity1",
"text": "text1",
"offset": 29,
"length": 12,
"confidenceScore": 1
}
]
}
}
}
按鍵 | 範例值 | 描述 |
---|---|---|
query | 「閱讀馬特的電子郵件」 | 您提交查詢的文字。 |
topIntent | 「Read」 | 具有最高信賴分數的預測意圖。 |
意圖 | [] | 針對查詢文字預測的所有意圖清單,每個意圖都有信賴分數。 |
實體 | [] | 陣列,其中包含查詢文字中擷取的實體清單。 |
交談專案的 API 回應
在交談專案中,您將取得專案記憶體在意圖和實體的預測。
- 意圖和實體包含 0.0 到 1.0 之間的信賴分數,與模型預測專案中特定元素的信賴度有多自信。
- 最高評分意圖包含在它自己的參數內。
- 只有預測的實體會顯示在您的回應中。
- 實體指出:
- 已擷取之實體的文字
- 其起始位置以位移值表示
- 以長度值表示的實體文字長度。
清除資源
當您不再需要專案時,可以使用 API 刪除專案。
使用下列 URL、標頭和 JSON 主體建立 DELETE 要求,以刪除交談語言理解專案。
要求 URL
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
預留位置 | 值 | 範例 |
---|---|---|
{ENDPOINT} |
用於驗證 API 要求的端點。 | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
專案名稱。 此值區分大小寫。 | myProject |
{API-VERSION} |
您正在呼叫的 API 版本。 | 2023-04-01 |
標頭
使用下列標頭來驗證您的要求。
Key | 值 |
---|---|
Ocp-Apim-Subscription-Key |
資源的索引鍵。 用於驗證 API 要求。 |
傳送 API 要求之後,您會收到 202
指出成功的回應,這表示您的專案已刪除。
下一步
意見反應
https://aka.ms/ContentUserFeedback。
即將登場:在 2024 年,我們將逐步淘汰 GitHub 問題作為內容的意見反應機制,並將它取代為新的意見反應系統。 如需詳細資訊,請參閱:提交並檢視相關的意見反應