Compartir a través de

Consumo de un servicio web de Azure Machine Learning Studio (clásico)

  • Artículo

SE APLICA A:Esta es una marca de verificación, lo que significa que este artículo se aplica a Machine Learning Studio (clásico). Azure Machine Learning Studio (clásico) Se trata de una X, lo que significa que este artículo se aplica a Azure Machine Learning.

Importante

El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.

A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.

La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

Una vez que implemente un modelo predictivo de Estudio de Machine Learning (clásico) como servicio web, puede usar una API REST para enviarle datos y obtener predicciones. Puede enviar los datos en tiempo real o por lotes.

Puede encontrar más información sobre cómo crear e implementar un servicio web Machine Learning con Machine Learning Studio (clásico) aquí:

Información general

Con el servicio web de Machine Learning, una aplicación externa se comunica con un modelo de puntuación de flujo de trabajo de Machine Learning en tiempo real. Una llamada al servicio web Machine Learning devuelve resultados de predicción a una aplicación externa. Para llamar a un servicio web Machine Learning, se pasa una clave de API que se crea cuando se implementa una predicción. El servicio web Machine Learning se basa en REST, una opción popular de arquitectura para proyectos de programación web.

Estudio de Machine Learning (clásico) tiene dos tipos de servicios:

  • Servicio de solicitud y respuesta (RRS): servicio de latencia baja altamente escalable que proporciona una interfaz con los modelos sin estado creados e implementados desde Machine Learning Studio (clásico).
  • Servicio de ejecución por lotes (BES): servicio asincrónico que puntúa un lote de registros de datos.

Para más información sobre los servicios web Machine Learning, consulte Implementación de un servicio web Azure Machine Learning.

Obtención de una clave de autorización

Al implementar el experimento, se generan claves de API para el servicio web. Puede recuperar las claves de varias ubicaciones.

En el portal Servicios web Machine Learning

Inicie sesión en el portal Servicios web Machine Learning.

Para recuperar la clave de API para un nuevo servicio web Machine Learning:

  1. En el portal Servicios web Machine Learning, haga clic en la opción Servicios web del menú superior.
  2. Haga clic en el servicio web del que quiere recuperar la clave.
  3. En el menú superior, haga clic en Consume(Consumo).
  4. Copie y guarde la clave principal.

Para recuperar la clave de API para un servicio web Machine Learning clásico:

  1. En el portal Servicios web Azure Machine Learning, haga clic en la opción Classic Web Services (Servicios web clásicos) del menú superior.
  2. Haga clic en el servicio web que está usando.
  3. Haga clic en el punto de conexión del que quiere recuperar la clave.
  4. En el menú superior, haga clic en Consume(Consumo).
  5. Copie y guarde la clave principal.

Servicio web clásico

También puede recuperar una clave para un servicio web clásico de Machine Learning Studio (clásico).

Estudio de Machine Learning (clásico)

  1. En Machine Learning Studio (clásico), haga clic en SERVICIOS WEB a la izquierda.
  2. Haga clic en un servicio web. La clave de API está en la pestaña PANEL.

Conexión a un servicio web Machine Learning

Puede conectarse a un servicio web Machine Learning mediante cualquier lenguaje de programación que admita la respuesta y la solicitud HTTP. Puede ver ejemplos en C#, Python y R desde una página de ayuda de servicio web Machine Learning.

Ayuda de la API de Machine Learning Se crea una página de ayuda de API de Machine Learning al implementar un servicio web. Consulte Tutorial 3: Implementación del modelo de riesgo de crédito. La ayuda de la API de Machine Learning contiene información sobre un servicio web de predicción.

  1. Haga clic en el servicio web que está usando.
  2. Haga clic en el punto de conexión para el que desea ver la página de ayuda de la API.
  3. En el menú superior, haga clic en Consume(Consumo).
  4. Haga clic en API help page (Página de ayuda de la API) en los puntos de conexión Solicitud-respuesta o Ejecución de lotes.

Para ver la ayuda de la API de Machine Learning para un servicio web nuevo

En el portal Servicios web Machine Learning:

  1. Haga clic en la opción de menú SERVICIOS WEB del menú superior.
  2. Haga clic en el servicio web del que quiere recuperar la clave.

Haga clic en Use Web Service (Usar servicio web) para obtener los URI de los servicios de solicitud-respuesta y ejecución por lotes, además del código de ejemplo en C#, R y Python.

Haga clic en Swagger API para obtener la documentación basada en Swagger de las API que se invocan desde los URI proporcionados.

Ejemplo de C#

Para conectarse a un servicio web Machine Learning, use un elemento HttpClient que pase ScoreData. ScoreData contiene un FeatureVector, un vector de n dimensiones de características numéricas que representa el ScoreData. Se autentica en el servicio de Machine Learning con una clave API.

Para conectarse a un servicio web Machine Learning, se debe instalar el paquete NuGet Microsoft.AspNet.WebApi.Client.

Instalar Microsoft.AspNet.WebApi.Client NuGet en Visual Studio

  1. Publique el conjunto de datos de descarga de UCI: Servicio web de conjunto de datos de clase de contenido para adultos 2.
  2. Haga clic en Herramientas>Administrador de paquetes NuGet>Consola del administrador de paquetes.
  3. Elija Install-Package Microsoft.AspNet.WebApi.Client.

Para ejecutar el ejemplo de código

  1. Publique el experimento "Ejemplo 1: descargar el conjunto de datos de UCI: conjunto de datos de clase de contenido para adultos 2", que forma parte de la colección de ejemplos de Machine Learning.
  2. Asigne una clave de API con la clave de un servicio web. Consulte Obtención de clave de autorización más arriba.
  3. Asigne la URI de servicio a la URI de solicitud.

Este es el aspecto que tendrá una solicitud completa.

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);
                }
            }
        }
    }
}

Ejemplo de Python

Para conectarse a un servicio web de Machine Learning, use la biblioteca urllib2 para Python 2.X y la biblioteca urllib.request para Python 3.X. Se aprobará ScoreData, que contiene un valor de FeatureVector, un vector de n dimensiones de características numéricos que representa ScoreData. Se autentica en el servicio de Machine Learning con una clave API.

Para ejecutar el ejemplo de código

  1. Publique el experimento "Ejemplo 1: descargar el conjunto de datos de UCI: conjunto de datos de clase de contenido para adultos 2", que forma parte de la colección de ejemplos de Machine Learning.
  2. Asigne una clave de API con la clave de un servicio web. Consulte la sección Obtención de una clave de autorización casi al principio de este artículo.
  3. Asigne la URI de servicio a la URI de solicitud.

Este es el aspecto que tendrá una solicitud completa.

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()))

Ejemplo de R

Para conectarse a un servicio web de Machine Learning, use las bibliotecas RCurl y rjson para crear la solicitud y procesar la respuesta JSON devuelta. Se aprobará ScoreData, que contiene un valor de FeatureVector, un vector de n dimensiones de características numéricos que representa ScoreData. Se autentica en el servicio de Machine Learning con una clave API.

Este es el aspecto que tendrá una solicitud completa.

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)

Ejemplo de JavaScript

Para conectarse a un servicio web de Machine Learning, use el paquete de NPM request de su proyecto. También se usará el objeto JSON para dar formato a la entrada y analizar el resultado. Realice la instalación mediante npm install request --save, o agregue "request": "*" a su archivo package.json en dependencies y ejecute npm install.

Este es el aspecto que tendrá una solicitud completa.

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);
    }
});