快速入门: 在 Jupyter Notebook 中构建和部署机器学习模型

样本数据

本教程中使用的样本数据来自属于 scikit-learn 的数据，将用于训练模型以识别 0-9 的手写数字图像。

任务 1: 打开项目

您需要一个项目来存储数据和 AutoAI 试验。 您可以使用现有项目或创建项目。

1. 从导航菜单 中，选择项目 > 所有项目。

2. 打开现有项目。 如果要使用新项目:

   1. 单击新建项目。

   2. 选择创建空项目。

   3. 输入项目的名称和可选描述。

   4. 单击创建。

如需了解更多信息或观看视频，请参阅创建项目。

检查您的进度

下图显示了新项目。

任务 2: 向项目添加 Notebook

您将在本教程中使用样本 Notebook。 遵循以下步骤将样本 Notebook 添加到项目中:

1. 从项目中的 资产 选项卡，单击 新建资产> Jupyter Notebook 编辑器。

2. 选择 " 来自 URL "选项卡。

3. 在笔记本 URL 字段中粘贴以下链接：

   https://github.com/IBM/watson-machine-learning-samples/blob/master/cpd4.7/notebooks/python_sdk/deployments/scikit-learn/Use%20scikit-learn%20to%20recognize%20hand-written%20digits.ipynb
   

4. 输入笔记本名称和描述 (可选)。

5. 选择此 Notebook 的运行时环境。

6. 单击创建。 等待 Notebook 编辑器装入。

7. 从菜单中，单击 内核> 重新启动并清除输出，然后单击 重新启动并清除所有输出 以清除上次保存的运行的输出。

检查您的进度

下图显示了新的 Notebook。

任务 3: 设置环境

Notebook 中的第一部分通过指定 Cloud Pak for Data 凭证和 Watson Machine Learning 服务实例位置来设置环境。 执行以下步骤以在 Notebook 中设置环境:

1. 滚动到 设置环境 部分。

2. 获取 API 密钥。 如果您没有 API 密钥，请执行以下步骤:

   1. 使用 Cloud Pak for Data 部署打开另一个选项卡。

   2. 单击 概要文件 图标。

   3. 单击 概要文件和设置。

   4. 单击 API 密钥> 生成新密钥。

   5. 复制 API 密钥并关闭选项卡。

3. 平台 URL 是您用来访问 Cloud Pak for Data 部署的主机名或 URL。 如果您没有此信息，请询问管理员。 管理员可从 Red Hat OpenShift 控制台获取平台 URL ( Red Hat OpenShift Container Platform -> Projects -> cpd-instance -> Routes )。

4. 将 username， api_key和平台 url 粘贴到单元格 1 中。

5. 运行单元 1 和 2。

6. 运行单元 3 以安装 ibm-watson-machine-learning 软件包。

7. 运行单元 4 以导入 API 客户机并使用凭证创建 API 客户机实例。

8. 运行单元 5 以查看所有现有部署空间的列表。 如果您没有部署空间，请执行以下步骤:

   1. 使用 Cloud Pak for Data 部署打开另一个选项卡。

   2. 从导航菜单 ，单击部署。

   3. 单击新建部署空间。

   4. 为部署添加名称和可选描述。

   5. 单击 创建，然后单击 查看新空间。

   6. 单击 管理 选项卡。

   7. 复制 空间 GUID 并关闭选项卡，此值将为您的 space_id。

9. 将相应的部署空间标识复制并粘贴到单元 6 中，然后运行单元 6 和单元 7 以设置缺省空间。

检查您的进度

下图显示了设置了所有环境变量的 Notebook。

任务 4: 运行 Notebook

现在，所有环境变量都已设置，您可以运行 Notebook 中的其余单元。 执行以下步骤以阅读注释，运行单元格并查看输出:

1. 运行 浏览数据 部分中的单元格。

2. 运行 创建 scikit-learn 模型 部分中的单元。

   1. 通过将数据拆分为三个数据集 (训练，测试和评分) 来准备数据。

   2. 创建管道。

   3. 训练模型。

   4. 使用测试数据评估模型。

3. 运行 发布模型 部分中的单元以发布模型，获取模型详细信息以及获取所有模型。

4. 运行 创建模型部署 部分中的单元。

5. 运行 获取部署详细信息 部分中的单元。

6. 运行 评分 部分 * 中的单元格，这将向已部署的模型发送评分请求并显示预测。

7. 单击 文件> 保存 以保存 Notebook 及其输出。

检查您的进度

下图显示了具有预测的 Notebook。

任务 5: 在部署空间中查看和测试已部署的模型

您还可以直接从部署空间查看模型部署。 请遵循以下步骤来测试空间中的已部署模型。

1. 从导航菜单 ，单击部署。

2. 单击 空间 选项卡。

3. 从列表中选择相应的部署空间。

4. 单击 Scikit 模型。

5. 单击 部署 scikit 模型。

6. 查看 端点 和 代码片段。

7. 单击测试选项卡。 您可以通过粘贴以下 JSON 代码来测试已部署的模型:

      {"input_data": [{"values": [[0.0, 0.0, 5.0, 16.0, 16.0, 3.0, 0.0, 0.0, 0.0, 0.0, 9.0, 16.0, 7.0, 0.0, 0.0, 0.0, 0.0, 0.0, 12.0, 15.0, 2.0, 0.0, 0.0, 0.0, 0.0, 1.0, 15.0, 16.0, 15.0, 4.0, 0.0, 0.0, 0.0, 0.0, 9.0, 13.0, 16.0, 9.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 14.0, 12.0, 0.0, 0.0, 0.0, 0.0, 5.0, 12.0, 16.0, 8.0, 0.0, 0.0, 0.0, 0.0, 3.0, 15.0, 15.0, 1.0, 0.0, 0.0], [0.0, 0.0, 6.0, 16.0, 12.0, 1.0, 0.0, 0.0, 0.0, 0.0, 5.0, 16.0, 13.0, 10.0, 0.0, 0.0, 0.0, 0.0, 0.0, 5.0, 5.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 8.0, 15.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 13.0, 13.0, 0.0, 0.0, 0.0, 0.0, 0.0, 6.0, 16.0, 9.0, 4.0, 1.0, 0.0, 0.0, 3.0, 16.0, 16.0, 16.0, 16.0, 10.0, 0.0, 0.0, 5.0, 16.0, 11.0, 9.0, 6.0, 2.0]]}]}
   

8. 单击 预测。 生成的预测指示手写数字为 5 和 4。

检查您的进度

下图显示了包含预测的 测试 选项卡。