Guida introduttiva: Classificazione del testo personalizzata
Usare questo articolo per iniziare a creare un progetto di classificazione del testo personalizzato in cui è possibile eseguire il training di modelli personalizzati per la classificazione del testo. Un modello è un software di intelligenza artificiale sottoposto a training per eseguire una determinata attività. Per questo sistema, i modelli classificano il testo e vengono sottoposti a training apprendendo dai dati contrassegnati.
La classificazione del testo personalizzata supporta due tipi di progetti:
- Classificazione con etichetta singola: è possibile assegnare una singola classe per ogni documento nel set di dati. Ad esempio, uno script cinematografico può essere classificato solo come "Romanticismo" o "Commedia".
- Classificazione con più etichette: è possibile assegnare più classi per ogni documento nel set di dati. Ad esempio, uno script cinematografico può essere classificato come "Commedia" o "Romanticismo" e "Commedia".
In questa guida introduttiva è possibile usare i set di dati di esempio forniti per creare una classificazione a più etichette in cui è possibile classificare gli script di film in una o più categorie oppure usare un set di dati di classificazione con etichetta singola in cui è possibile classificare astrazioni di documenti scientifici in uno dei domini definiti.
Prerequisiti
- Sottoscrizione di Azure: creare un account gratuito.
Creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure e un account di archiviazione di Azure
Prima di poter usare la classificazione del testo personalizzata, è necessario creare una risorsa del linguaggio di intelligenza artificiale di Azure, che fornirà le credenziali necessarie per creare un progetto e avviare il training di un modello. È anche necessario un account di archiviazione di Azure, in cui è possibile caricare il set di dati che verrà usato per compilare il modello.
Importante
Per iniziare rapidamente, è consigliabile creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure seguendo la procedura descritta in questo articolo. La procedura descritta in questo articolo consentirà di creare contemporaneamente la risorsa di linguaggio e l'account di archiviazione, che è più semplice rispetto a farlo in un secondo momento.
Se si dispone di una risorsa preesistente che si vuole usare, sarà necessario connetterla all'account di archiviazione.
Creare una nuova risorsa dal portale di Azure
Passare alla portale di Azure per creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure.
Nella finestra visualizzata selezionare Classificazione testo personalizzata e riconoscimento di entità denominate personalizzate dalle funzionalità personalizzate. Selezionare Continua per creare la risorsa nella parte inferiore della schermata .
Creare una risorsa lingua con i dettagli seguenti.
Nome Valore obbligatorio Abbonamento La sottoscrizione di Azure. Gruppo di risorse Gruppo di risorse che conterrà la risorsa. È possibile usare uno esistente o crearne uno nuovo. Area Una delle aree supportate. Ad esempio, "Stati Uniti occidentali 2". Nome Nome della risorsa. Piano tariffario Uno dei piani tariffari supportati. È possibile usare il livello Gratuito (F0) per provare il servizio. Se viene visualizzato un messaggio che indica che l'account di accesso non è un proprietario del gruppo di risorse dell'account di archiviazione selezionato, l'account deve avere un ruolo di proprietario assegnato nel gruppo di risorse prima di poter creare una risorsa lingua. Per assistenza, contattare il proprietario della sottoscrizione di Azure.
È possibile determinare il proprietario della sottoscrizione di Azure eseguendo una ricerca nel gruppo di risorse e seguendo il collegamento alla sottoscrizione associata. Quindi:
- Selezionare la scheda Controllo di accesso (IAM)
- Selezionare Assegnazioni di ruolo
- Filtrare in base a Role:Owner.
Nella sezione Classificazione testo personalizzata e riconoscimento di entità denominate personalizzate selezionare un account di archiviazione esistente o selezionare Nuovo account di archiviazione. Si noti che questi valori consentono di iniziare e non necessariamente i valori dell'account di archiviazione da usare negli ambienti di produzione. Per evitare la latenza durante la compilazione del progetto, connettersi agli account di archiviazione nella stessa area della risorsa lingua.
Archiviazione valore dell'account Valore consigliato Nome account di archiviazione Qualsiasi nome Storage account type LRS Standard Assicurarsi che sia selezionata l'informativa sull'intelligenza artificiale responsabile. Selezionare Rivedi e crea nella parte inferiore della pagina.
Caricare dati di esempio nel contenitore BLOB
Dopo aver creato un account di archiviazione di Azure e averla connessa alla risorsa Lingua, sarà necessario caricare i documenti dal set di dati di esempio nella directory radice del contenitore. Questi documenti verranno usati successivamente per eseguire il training del modello.
Scaricare il set di dati di esempio per i progetti di classificazione con più etichette.
Aprire il file ZIP ed estrarre la cartella contenente i documenti.
Il set di dati di esempio fornito contiene circa 200 documenti, ognuno dei quali è un riepilogo per un film. Ogni documento appartiene a una o più delle classi seguenti:
- "Mistero"
- "Dramma"
- "Thriller"
- "Commedia"
- "Azione"
Nel portale di Azure passare all'account di archiviazione creato e selezionarlo. A tale scopo, fare clic su Archiviazione account e digitare il nome dell'account di archiviazione in Filtra per qualsiasi campo.
se il gruppo di risorse non viene visualizzato, assicurarsi che il filtro Subscription equals (Sottoscrizione) sia impostato su Tutti.
Nell'account di archiviazione selezionare Contenitori nel menu a sinistra, sotto Archiviazione dati. Nella schermata visualizzata selezionare + Contenitore. Assegnare al contenitore il nome example-data e lasciare il livello di accesso pubblico predefinito.
Dopo aver creato il contenitore, selezionarlo. Selezionare quindi il pulsante Carica per selezionare i
.txt
.json
file e scaricati in precedenza.
Creare un progetto di classificazione personalizzata del testo
Dopo aver configurato la risorsa e il contenitore di archiviazione, creare un nuovo progetto di classificazione del testo personalizzato. Un progetto è un'area di lavoro per la creazione di modelli di Machine Learning personalizzati in base ai dati. L'accesso al progetto può essere eseguito solo dall'utente e da altri utenti che hanno accesso alla risorsa Lingua usata.
Accedere a Language Studio. Verrà visualizzata una finestra che consente di selezionare la sottoscrizione e la risorsa lingua. Selezionare la risorsa Lingua.
Nella sezione Classifica testo di Language Studio selezionare Classificazione testo personalizzata.
Selezionare Crea nuovo progetto dal menu in alto nella pagina dei progetti. La creazione di un progetto consentirà di etichettare i dati, eseguire il training, valutare, migliorare e distribuire i modelli.
Dopo aver fatto clic su Crea nuovo progetto, verrà visualizzata una finestra per consentire la connessione dell'account di archiviazione. Se è già stato connesso un account di archiviazione, verrà visualizzato l'account di archiviazione connesso. In caso contrario, scegliere l'account di archiviazione dall'elenco a discesa visualizzato e selezionare Connessione account di archiviazione. Verranno impostati i ruoli necessari per l'account di archiviazione. Questo passaggio restituirà un errore se non si è assegnati come proprietario nell'account di archiviazione.
Nota
- È necessario eseguire questo passaggio una sola volta per ogni nuova risorsa di lingua usata.
- Questo processo è irreversibile, se si connette un account di archiviazione alla risorsa lingua, non è possibile disconnetterlo in un secondo momento.
- È possibile connettere la risorsa lingua solo a un account di archiviazione.
Selezionare il tipo di progetto. È possibile creare un progetto di classificazione con più etichette in cui ogni documento può appartenere a una o più classi o a un progetto di classificazione con etichetta singola in cui ogni documento può appartenere a una sola classe. Il tipo selezionato non può essere modificato in un secondo momento. Altre informazioni sui tipi di progetto
Immettere le informazioni sul progetto, inclusi un nome, una descrizione e la lingua dei documenti nel progetto. Se si usa il set di dati di esempio, selezionare Inglese. Non sarà possibile modificare il nome del progetto in un secondo momento. Seleziona Avanti.
Suggerimento
Il set di dati non deve essere interamente nello stesso linguaggio. È possibile avere più documenti, ognuno con lingue supportate diverse. Se il set di dati contiene documenti di lingue diverse o se si prevede testo da lingue diverse durante il runtime, selezionare l'opzione Abilita set di dati multilingue quando si immettono le informazioni di base per il progetto. Questa opzione può essere abilitata in un secondo momento dalla pagina Impostazioni progetto.
Selezionare il contenitore in cui è stato caricato il set di dati.
Nota
Se i dati sono già stati etichettati, assicurarsi che seguano il formato supportato e selezionare Sì, i documenti sono già etichettati e ho formattato il file di etichette JSON e selezionare il file delle etichette dal menu a discesa seguente.
Se si usa uno dei set di dati di esempio, usare il file incluso
webOfScience_labelsFile
omovieLabels
json. Quindi seleziona Avanti.Esaminare i dati immessi e selezionare Crea progetto.
Eseguire il training del modello
In genere, dopo aver creato un progetto, è possibile iniziare a etichettare i documenti presenti nel contenitore connesso al progetto. Per questa guida introduttiva è stato importato un set di dati con etichetta di esempio e il progetto è stato inizializzato con il file di etichette JSON di esempio.
Per avviare il training del modello da Language Studio:
Selezionare Processi di training dal menu a sinistra.
Selezionare Avvia un processo di training dal menu in alto.
Selezionare Esegui training di un nuovo modello e digitare il nome del modello nella casella di testo. È anche possibile sovrascrivere un modello esistente selezionando questa opzione e scegliendo il modello da sovrascrivere dal menu a discesa. La sovrascrittura di un modello sottoposto a training è irreversibile, ma non influisce sui modelli distribuiti fino a quando non si distribuisce il nuovo modello.
Selezionare il metodo di suddivisione dei dati. È possibile scegliere Suddivisione automatica del set di test dai dati di training in cui il sistema suddividerà i dati etichettati tra i set di training e di test, in base alle percentuali specificate. In alternativa, è possibile usare una suddivisione manuale dei dati di training e test, questa opzione è abilitata solo se sono stati aggiunti documenti al set di test durante l'etichettatura dei dati. Per altre informazioni sulla suddivisione dei dati, vedere Come eseguire il training di un modello .
Selezionare il pulsante Train (Esegui training ).
Se si seleziona l'ID processo di training dall'elenco, verrà visualizzato un riquadro laterale in cui è possibile controllare lo stato del training, lo stato del processo e altri dettagli per questo processo.
Nota
- Solo i processi di training completati correttamente genereranno modelli.
- Il tempo necessario per eseguire il training del modello può richiedere da qualche minuto a diverse ore in base alle dimensioni dei dati etichettati.
- È possibile eseguire un solo processo di training alla volta. Non è possibile avviare altri processi di training nello stesso progetto fino al completamento del processo in esecuzione.
Distribuire il modello
In genere dopo il training di un modello, esaminare i relativi dettagli di valutazione e apportare miglioramenti , se necessario. In questa guida introduttiva si distribuirà semplicemente il modello e lo si renderà disponibile per provare in Language Studio oppure è possibile chiamare l'API di stima.
Per distribuire il modello da Language Studio:
Selezionare Deploying a model (Distribuzione di un modello ) dal menu a sinistra.
Selezionare Aggiungi distribuzione per avviare un nuovo processo di distribuzione.
Selezionare Crea nuova distribuzione per creare una nuova distribuzione e assegnare un modello sottoposto a training nell'elenco a discesa seguente. È anche possibile sovrascrivere una distribuzione esistente selezionando questa opzione e selezionando il modello sottoposto a training che si vuole assegnare al modello dall'elenco a discesa seguente.
selezionare Distribuisci per avviare il processo di distribuzione.
Al termine della distribuzione, accanto verrà visualizzata una data di scadenza. La scadenza della distribuzione è quando il modello distribuito non sarà disponibile per la stima, che in genere si verifica dodici mesi dopo la scadenza di una configurazione di training.
Testare il modello
Dopo aver distribuito il modello, è possibile iniziare a usarlo per classificare il testo tramite l'API Stima. Per questa guida introduttiva si userà Language Studio per inviare l'attività di classificazione del testo personalizzata e visualizzare i risultati. Nel set di dati di esempio scaricato in precedenza è possibile trovare alcuni documenti di test che è possibile usare in questo passaggio.
Per testare i modelli distribuiti in Language Studio:
Selezionare Test delle distribuzioni dal menu a sinistra della schermata.
Selezionare la distribuzione da testare. È possibile testare solo i modelli assegnati alle distribuzioni.
Per i progetti multilingue, selezionare la lingua del testo che si sta testando usando l'elenco a discesa lingua.
Selezionare la distribuzione da eseguire query/test dall'elenco a discesa.
Immettere il testo da inviare nella richiesta o caricare un
.txt
documento da usare. Se si usa uno dei set di dati di esempio, è possibile usare uno dei file con estensione txt inclusi.Selezionare Esegui il test dal menu in alto.
Nella scheda Risultato è possibile visualizzare le classi stimate per il testo. È anche possibile visualizzare la risposta JSON nella scheda JSON . L'esempio seguente è relativo a un singolo progetto di classificazione delle etichette. Un progetto di classificazione con più etichette può restituire più classi nel risultato.
Pulire i progetti
Quando il progetto non è più necessario, è possibile eliminare il progetto usando Language Studio. Selezionare Classificazione testo personalizzata nella parte superiore e quindi selezionare il progetto da eliminare. Selezionare Elimina dal menu in alto per eliminare il progetto.
Prerequisiti
- Sottoscrizione di Azure: creare un account gratuito.
Creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure e un account di archiviazione di Azure
Prima di poter usare la classificazione del testo personalizzata, è necessario creare una risorsa del linguaggio di intelligenza artificiale di Azure, che fornirà le credenziali necessarie per creare un progetto e avviare il training di un modello. È anche necessario un account di archiviazione di Azure, in cui è possibile caricare il set di dati che verrà usato per compilare il modello.
Importante
Per iniziare rapidamente, è consigliabile creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure seguendo la procedura descritta in questo articolo, che consente di creare la risorsa Lingua e creare e/o connettere un account di archiviazione contemporaneamente, che è più semplice rispetto a farlo in un secondo momento.
Se si dispone di una risorsa preesistente che si vuole usare, sarà necessario connetterla all'account di archiviazione.
Creare una nuova risorsa dal portale di Azure
Passare alla portale di Azure per creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure.
Nella finestra visualizzata selezionare Classificazione testo personalizzata e riconoscimento di entità denominate personalizzate dalle funzionalità personalizzate. Selezionare Continua per creare la risorsa nella parte inferiore della schermata .
Creare una risorsa lingua con i dettagli seguenti.
Nome Valore obbligatorio Abbonamento La sottoscrizione di Azure. Gruppo di risorse Gruppo di risorse che conterrà la risorsa. È possibile usare uno esistente o crearne uno nuovo. Area Una delle aree supportate. Ad esempio, "Stati Uniti occidentali 2". Nome Nome della risorsa. Piano tariffario Uno dei piani tariffari supportati. È possibile usare il livello Gratuito (F0) per provare il servizio. Se viene visualizzato un messaggio che indica che l'account di accesso non è un proprietario del gruppo di risorse dell'account di archiviazione selezionato, l'account deve avere un ruolo di proprietario assegnato nel gruppo di risorse prima di poter creare una risorsa lingua. Per assistenza, contattare il proprietario della sottoscrizione di Azure.
È possibile determinare il proprietario della sottoscrizione di Azure eseguendo una ricerca nel gruppo di risorse e seguendo il collegamento alla sottoscrizione associata. Quindi:
- Selezionare la scheda Controllo di accesso (IAM)
- Selezionare Assegnazioni di ruolo
- Filtrare in base a Role:Owner.
Nella sezione Classificazione testo personalizzata e riconoscimento di entità denominate personalizzate selezionare un account di archiviazione esistente o selezionare Nuovo account di archiviazione. Si noti che questi valori consentono di iniziare e non necessariamente i valori dell'account di archiviazione da usare negli ambienti di produzione. Per evitare la latenza durante la compilazione del progetto, connettersi agli account di archiviazione nella stessa area della risorsa lingua.
Archiviazione valore dell'account Valore consigliato Nome account di archiviazione Qualsiasi nome Storage account type LRS Standard Assicurarsi che sia selezionata l'informativa sull'intelligenza artificiale responsabile. Selezionare Rivedi e crea nella parte inferiore della pagina.
Caricare dati di esempio nel contenitore BLOB
Dopo aver creato un account di archiviazione di Azure e averla connessa alla risorsa Lingua, sarà necessario caricare i documenti dal set di dati di esempio nella directory radice del contenitore. Questi documenti verranno usati successivamente per eseguire il training del modello.
Scaricare il set di dati di esempio per i progetti di classificazione con più etichette.
Aprire il file ZIP ed estrarre la cartella contenente i documenti.
Il set di dati di esempio fornito contiene circa 200 documenti, ognuno dei quali è un riepilogo per un film. Ogni documento appartiene a una o più delle classi seguenti:
- "Mistero"
- "Dramma"
- "Thriller"
- "Commedia"
- "Azione"
Nel portale di Azure passare all'account di archiviazione creato e selezionarlo.
Nell'account di archiviazione selezionare Contenitori nel menu a sinistra, sotto Archiviazione dati. Nella schermata visualizzata selezionare + Contenitore.
Ottenere l'endpoint e le chiavi per la risorsa di ricerca
Nel portale di Azure passare alla risorsa e quindi a Panoramica.
Selezionare Chiavi di accesso dal menu sul lato sinistro.
Creare un progetto di classificazione personalizzata del testo
{Endpoint}/language/authoring/analyze-text/projects/{projectName}/:import?api-version={API-VERSION}
Segnaposto | Valore | Esempio |
---|---|---|
{ENDPOINT} |
Endpoint per l'autenticazione della richiesta API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | myProject |
{API-VERSION} |
Versione dell'API che si sta chiamando | 2022-05-01 |
Intestazioni
Chiave | valore |
---|---|
Ocp-Apim-Subscription-Key |
Chiave della risorsa |
Corpo
Ricordarsi di sostituire i valori segnaposto con valori personalizzati.
- Classificazione immagini con più etichette
- Rimuovi l'etichetta di classificazione
{
"projectFileVersion": "{API-VERSION}",
"stringIndexType": "Utf16CodeUnit",
"metadata": {
"projectName": "{PROJECT-NAME}",
"storageInputContainerName": "{CONTAINER-NAME}",
"projectKind": "customMultiLabelClassification",
"description": "Trying out custom multi label text classification",
"language": "{LANGUAGE-CODE}",
"multilingual": true,
"settings": {}
},
"assets": {
"projectKind": "customMultiLabelClassification",
"classes": [
{
"category": "Class1"
},
{
"category": "Class2"
}
],
"documents": [
{
"location": "{DOCUMENT-NAME}",
"language": "{LANGUAGE-CODE}",
"dataset": "{DATASET}",
"classes": [
{
"category": "Class1"
},
{
"category": "Class2"
}
]
},
{
"location": "{DOCUMENT-NAME}",
"language": "{LANGUAGE-CODE}",
"dataset": "{DATASET}",
"classes": [
{
"category": "Class2"
}
]
}
]
}
}
Key | Segnaposto | Valore | Esempio |
---|---|---|---|
api-version | {API-VERSION} |
Versione dell'API che si sta chiamando | 2022-05-01 |
projectName | {PROJECT-NAME} |
Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | myProject |
customMultiLabelClassification |
customMultiLabelClassification |
||
lingua | {LANGUAGE-CODE} |
en-us |
|
Multilingue | true |
true |
|
{CONTAINER-NAME} |
myContainer |
||
classi | [] | [] | |
documenti | [] | [] | |
posizione | {DOCUMENT-NAME} |
doc1.txt |
|
set di dati | {DATASET} |
I valori possibili per questo campo includono: | Train |
Il formato sarà: .
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}
- Il file specificato non esiste.
Ricordarsi di sostituire i valori segnaposto con valori personalizzati.
Richiesta URL
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}
Segnaposto | Valore | Esempio |
---|---|---|
{ENDPOINT} |
Endpoint per l'autenticazione della richiesta API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | myProject |
{JOB-ID} |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
|
{API-VERSION} |
Versione dell'API che si sta chiamando | 2022-05-01 |
Intestazioni
Chiave | valore |
---|---|
Ocp-Apim-Subscription-Key |
Chiave della risorsa |
Eseguire il training del modello
Ricordarsi di sostituire i valori segnaposto con valori personalizzati.
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}
Segnaposto | Valore | Esempio |
---|---|---|
{ENDPOINT} |
Endpoint per l'autenticazione della richiesta API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | myProject |
{API-VERSION} |
Versione dell'API che si sta chiamando | 2022-05-01 |
Intestazioni
Chiave | valore |
---|---|
Ocp-Apim-Subscription-Key |
Chiave della risorsa |
Corpo della richiesta
{
"modelLabel": "{MODEL-NAME}",
"trainingConfigVersion": "{CONFIG-VERSION}",
"evaluationOptions": {
"kind": "percentage",
"trainingSplitPercentage": 80,
"testingSplitPercentage": 20
}
}
Key | Segnaposto | Valore | Esempio |
---|---|---|---|
{MODEL-NAME} |
myModel |
||
{CONFIG-VERSION} |
2022-05-01 |
||
{} |
|||
kind | percentage |
Metodo split I possibili valori sono percentage o manual . Per altre informazioni sugli oggetti estimator, vedere Come eseguire il training di modelli. |
percentage |
80 |
Valore consigliato | 80 |
|
20 |
Valore consigliato | 20 |
Nota
Il formato sarà: .
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
Ottenere lo stato del training
Ricordarsi di sostituire i valori segnaposto con valori personalizzati.
Richiesta URL
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
Segnaposto | Valore | Esempio |
---|---|---|
{ENDPOINT} |
Endpoint per l'autenticazione della richiesta API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | myProject |
{JOB-ID} |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
|
{API-VERSION} |
Versione dell'API che si sta chiamando | 2022-05-01 |
Intestazioni
Chiave | valore |
---|---|
Ocp-Apim-Subscription-Key |
Chiave della risorsa |
Testo della risposta
{
"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"
}
Distribuire il modello
Ricordarsi di sostituire i valori segnaposto con valori personalizzati.
{Endpoint}/language/authoring/analyze-text/projects/{projectName}/deployments/{deploymentName}?api-version={API-VERSION}
Segnaposto | Valore | Esempio |
---|---|---|
{ENDPOINT} |
Endpoint per l'autenticazione della richiesta API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | myProject |
{DEPLOYMENT-NAME} |
Nome della distribuzione Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | staging |
{API-VERSION} |
Versione dell'API che si sta chiamando | 2022-05-01 |
Intestazioni
Chiave | valore |
---|---|
Ocp-Apim-Subscription-Key |
Chiave della risorsa |
Corpo della richiesta
Usare questo codice JSON di esempio per il corpo della richiesta:
{
"trainedModelLabel": "{MODEL-NAME}"
}
Key | Segnaposto | Valore | Esempio |
---|---|---|---|
{MODEL-NAME} |
Nome del modello che verrà assegnato alla distribuzione. È possibile distribuire solo modelli con training completato. Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | myModel |
Il formato sarà: .
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
Ottenere lo stato di una distribuzione
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
Segnaposto | Valore | Esempio |
---|---|---|
{ENDPOINT} |
Endpoint per l'autenticazione della richiesta API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | myProject |
{DEPLOYMENT-NAME} |
Nome della distribuzione Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | staging |
{JOB-ID} |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
|
{API-VERSION} |
Versione dell'API che si sta chiamando | 2022-05-01 |
Intestazioni
Chiave | valore |
---|---|
Ocp-Apim-Subscription-Key |
Chiave della risorsa |
Testo della risposta
{
"jobId":"{JOB-ID}",
"createdDateTime":"{CREATED-TIME}",
"lastUpdatedDateTime":"{UPDATED-TIME}",
"expirationDateTime":"{EXPIRATION-TIME}",
"status":"running"
}
Classifica testo
{ENDPOINT}/language/analyze-text/jobs?api-version={API-VERSION}
Segnaposto | Valore | Esempio |
---|---|---|
{ENDPOINT} |
Endpoint per l'autenticazione della richiesta API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{API-VERSION} |
Versione dell'API che si sta chiamando | 2022-05-01 |
Intestazioni
Chiave | valore |
---|---|
Ocp-Apim-Subscription-Key |
Corpo
- Classificazione immagini con più etichette
- Rimuovi l'etichetta di classificazione
{
"displayName": "Classifying documents",
"analysisInput": {
"documents": [
{
"id": "1",
"language": "{LANGUAGE-CODE}",
"text": "Text1"
},
{
"id": "2",
"language": "{LANGUAGE-CODE}",
"text": "Text2"
}
]
},
"tasks": [
{
"kind": "CustomMultiLabelClassification",
"taskName": "Multi Label Classification",
"parameters": {
"projectName": "{PROJECT-NAME}",
"deploymentName": "{DEPLOYMENT-NAME}"
}
}
]
}
Key | Segnaposto | Valore | Esempio |
---|---|---|---|
displayName |
{JOB-NAME} |
MyJobName |
|
documents |
[{},{}] | [{},{}] |
|
id |
{DOC-ID} |
doc1 |
|
language |
{LANGUAGE-CODE} |
Per un elenco delle lingue supportate, vedi la sezione Lingue supportate. | en-us |
text |
{DOC-TEXT} |
Lorem ipsum dolor sit amet |
|
tasks |
[] |
||
taskName |
Assegnare un nome all'attività | ||
parameters |
Elenco di parametri da passare al metodo. | ||
project-name |
{PROJECT-NAME} |
Nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | myProject |
deployment-name |
{DEPLOYMENT-NAME} |
Nome della distribuzione Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | prod |
Response
{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}
{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}
Segnaposto | Valore | Esempio |
---|---|---|
{ENDPOINT} |
Endpoint per l'autenticazione della richiesta API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{API-VERSION} |
Versione dell'API che si sta chiamando | 2022-05-01 |
Intestazioni
Chiave | valore |
---|---|
Ocp-Apim-Subscription-Key |
Corpo della risposta
- Classificazione immagini con più etichette
- Rimuovi l'etichetta di classificazione
{
"createdDateTime": "2021-05-19T14:32:25.578Z",
"displayName": "MyJobName",
"expirationDateTime": "2021-05-19T14:32:25.578Z",
"jobId": "xxxx-xxxxxx-xxxxx-xxxx",
"lastUpdateDateTime": "2021-05-19T14:32:25.578Z",
"status": "succeeded",
"tasks": {
"completed": 1,
"failed": 0,
"inProgress": 0,
"total": 1,
"items": [
{
"kind": "customMultiClassificationTasks",
"taskName": "Classify documents",
"lastUpdateDateTime": "2020-10-01T15:01:03Z",
"status": "succeeded",
"results": {
"documents": [
{
"id": "{DOC-ID}",
"classes": [
{
"category": "Class_1",
"confidenceScore": 0.0551877357
}
],
"warnings": []
}
],
"errors": [],
"modelVersion": "2020-04-01"
}
}
]
}
}
Pulire le risorse
Sostituire i valori segnaposto con i propri.
{Endpoint}/language/authoring/analyze-text/projects/{projectName}?api-version={API-VERSION}
Segnaposto | Valore | Esempio |
---|---|---|
{ENDPOINT} |
Endpoint per l'autenticazione della richiesta API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole. | myProject |
{API-VERSION} |
Versione dell'API che si sta chiamando | 2022-05-01 |
Intestazioni
Chiave | valore |
---|---|
Ocp-Apim-Subscription-Key | Chiave della risorsa |
Passaggi successivi
- Vedere la selezione dei dati e lo schema di progettazione.
- Eseguire il training di un modello
- Visualizzare la valutazione del modello