Formats de demande et de réponse k-NN

Tous les algorithmes SageMaker intégrés d'Amazon respectent le format d'inférence d'entrée commun décrit dans Common Data Formats - Inference. Cette rubrique contient une liste des formats de sortie disponibles pour l' SageMaker k-nearest-neighbor algorithme.

ENTRÉE : format de demande CSV

content-type: text/csv

1.2,1.3,9.6,20.3

Accepte un label_size ou un paramètre d'encodage. Il suppose un champ label_size égal à 0 et un encodage UTF-8.

ENTRÉE : format de demande JSON

content-type: application/json

{
  "instances": [
    {"data": {"features": {"values": [-3, -1, -4, 2]}}},
    {"features": [3.0, 0.1, 0.04, 0.002]}]
}

ENTRÉE : format de demande JSONLINES

content-type: application/jsonlines

{"features": [1.5, 16.0, 14.0, 23.0]}
{"data": {"features": {"values": [1.5, 16.0, 14.0, 23.0]}}

ENTRÉE : format de demande RECORDIO

type de contenu : application/ x-recordio-protobuf

[
    Record = {
        features = {
            'values': {
                values: [-3, -1, -4, 2]  # float32
            }
        },
        label = {}
    },
    Record = {
        features = {
            'values': {
                values: [3.0, 0.1, 0.04, 0.002]  # float32
            }
        },
        label = {}
    },
] 

SORTIE : format de réponse JSON

accept: application/json

{
  "predictions": [
    {"predicted_label": 0.0},
    {"predicted_label": 2.0}
  ]
}

SORTIE : format de réponse JSONLINES

accept: application/jsonlines

{"predicted_label": 0.0}
{"predicted_label": 2.0}

SORTIE : format de réponse VERBOSE JSON

En mode détaillé, l'API fournit les résultats de recherche avec le vecteur des distances triées de la plus petite à la plus grande, et les éléments correspondants dans le vecteur des étiquettes. Dans cet exemple, k a la valeur 3.

accept: application/json; verbose=true

{
  "predictions": [
    {
        "predicted_label": 0.0,
        "distances": [3.11792408, 3.89746071, 6.32548437],
        "labels": [0.0, 1.0, 0.0]
    },
    {
        "predicted_label": 2.0,
        "distances": [1.08470316, 3.04917915, 5.25393973],
        "labels": [2.0, 2.0, 0.0]
    }
  ]
}

SORTIE : format de réponse RECORDIO-PROTOBUF

type de contenu : application/ x-recordio-protobuf

[
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [0.0]  # float32
            }
        }
    },
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [2.0]  # float32
            }
        }
    }
]

SORTIE : format de réponse VERBOSE RECORDIO-PROTOBUF

En mode détaillé, l'API fournit les résultats de recherche avec le vecteur des distances triées de la plus petite à la plus grande, et les éléments correspondants dans le vecteur des étiquettes. Dans cet exemple, k a la valeur 3.

accepter : application/ x-recordio-protobuf ; verbose=true

[
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [0.0]  # float32
            },
            'distances': {
                values: [3.11792408, 3.89746071, 6.32548437]  # float32
            },
            'labels': {
                values: [0.0, 1.0, 0.0]  # float32
            }
        }
    },
    Record = {
        features = {},
        label = {
            'predicted_label': {
                values: [0.0]  # float32
            },
            'distances': {
                values: [1.08470316, 3.04917915, 5.25393973]  # float32
            },
            'labels': {
                values: [2.0, 2.0, 0.0]  # float32
            }
        }
    }
]

EXEMPLE DE SORTIE pour l'algorithme k-NN

Pour les tâches regressor :

[06/08/2018 20:15:33 INFO 140026520049408] #test_score (algo-1) : ('mse', 0.013333333333333334)

Pour les tâches classifier :

[06/08/2018 20:15:46 INFO 140285487171328] #test_score (algo-1) : ('accuracy', 0.98666666666666669)