如何在 Web 應用裡消費 SAP Leonardo 的機器學習 API

本文選擇使用 SAP Leonardo 裡的 一個 Product Image Classification API，即給定一張產品的圖片，該 API 能識別出此產品的類別。

簡要了解一下這個 API 的功能：該 API 模型是由 SAP 基於大約 5 萬張 Icecat 圖片訓練而成，能區分 29 種不同的類別，這些類別具體羅列於官方文件上，比如電腦顯示器，數碼相機，外部儲存裝置，鍵盤，液晶電視，手機充電器，筆記本和其他外設等等。如果我們消費這個 API 時指定的圖片代表的產品不屬於這 29 種類別之一，API 的表現如何？先賣個關子，文末解答。

這裡假定我們已經找到了該 API，點選進入明細頁面，將 API Key 複製下來，後續的 UI5 應用需要使用到。

然後進入 SAP 雲平臺的 Neo 環境。本文介紹的步驟，使用免費的 SAP Cloud Platform Neo 測試環境即可。

在 Service 列表裡找到 WebIDE——我們將使用 WebIDE 進行 UI5 應用的開發。

大家可以直接在 WebIDE 裡 clone 這個 Github 倉庫 ，或者把倉庫的內容以 zip 包的形式下載到本地，再使用 WebIDE 的本地 Import 功能匯入。

我們要告訴 UI5 應用這個 API 的 url，因此在 Neo 環境裡建立一個 Destination(作用和 ABAP Netweaver 事務碼 SM59 裡建立的 Destination 相同)：

屬性如上圖所示，因為是 Neo 測試環境，所以 url 為對應的 sandbox 環境：

http://sandbox.api.sap.com/ml

記下這個 Destination 名稱 sapui5ml-api, 因為稍後的 UI5 程式碼裡需要使用。

記得維護額外的屬性 WebIDEnabled 為 true，這樣該 Destination 才能在 UI5 應用裡被使用。點選 Check Connection 確保看到綠燈。

開啟 WebIDE 裡 UI5 工程裡的 settings.json 檔案，將您之前從 API console 裡拷貝的 API Key 貼上到此處：

在專案根目錄下的 neo-app.json 檔案裡，把型別為 destination 的 target 物件的名稱維護成之前在 SAP Cloud Platform Cockpit 裡建立的 destination 相同的名稱。

執行這個 UI5 應用，能看到如下介面：

做一些簡單的測試：

SAP Leonardo 的機器學習 API，識別出這張圖片有 74.7%的可能性是一臺膝上型電腦，13.8%的可能性是鍵盤，11.3%的可能性是 Tablets.

點選按鈕 View JSON，能看到呼叫 SAP Leonardo API 返回的技術明細。

滑鼠的圖片也成功識別出來了：

本文開頭提到，Product Image Classification API 只支援 29 種產品類別：

如果我們開發應用時需要支援額外的產品類別，就需要自行提供該產品類別的圖片來重新訓練模型。

下面介紹 SAP Leonardo 上機器學習模型的重新訓練步驟。

假設我們期望重新訓練之後，Product Image Classfication 這個模型能夠識別出不同種類的花，那麼我們首先得搞到大量花的圖片。Tensorflow 的官網上，已經體貼地給想做模型訓練的學習者們，提供了一個做練習用的壓縮包，裡面包含了大量各式花的圖片。

SAP Leonardo 接受的能用於重新訓練模型的資料集，必須符合下圖所示的層級結構，即 training, validation 和 test 三個資料夾下面，分別包含以產品類別命名的子資料夾，且資料規模之比為 8:1:1.

有了用於訓練的資料後，下一步就是把這些資料上傳到 SAP Leonardo 的模型線上儲存平臺上。

在 SAP 雲平臺上建立 Leonardo 機器學習的服務例項，這個例項的 service key 裡包含了一個 IMAGE_RETRAIN_API_URL，可以用來獲取線上儲存的 url：

向這個 url 傳送一個 HTTP get 請求，得到線上儲存的 url：

把這個 url 貼上到瀏覽器裡，輸入 postman 裡返回的 accessKey 和 secretKey 登入，就能以 web 的方式訪問這個線上儲存了：

下一步是把本地的訓練檔案上傳到這個部署在 AWS 上的線上儲存上去。首先用命令列 mc config host 定義一個名為 sapjerrys3 的遠端站點，將上一步從 postman 獲得的 AWS 線上儲存 url，accessKey 和 secret 繫結到這個站點上：

然後使用命令列上傳檔案：

mc.exe cp -r C:\Code\MachineLearningStudy\flowersjerry sapjerrys3\data

大概十幾分鍾後，檔案上傳完畢：

此時可以從瀏覽器裡看到 AWS 線上儲存上傳完畢的訓練檔案。

現在可以提交一個後臺作業了，讓 Leonardo 去處理這些上傳好的檔案，ABAP 顧問們可以把這個動作理解成在 Netweaver 事務碼 SM36 裡定義一個後臺作業並提交。傳送一個 HTTP post 請求，除了下圖 jobName, dataset 和 modelName 需要自己維護外，其他欄位都使用 SAP 官網上定義的預設值。

這個請求會返回一個後臺作業 ID，抄下來後把它拼到 url 末尾，然後重新發送一個 HTTP get 請求，即可查詢到這個作業的執行情況。Jerry 重新訓練的時候，等待了大概五分鐘，作業狀態就變為 SUCCEEDED 了。

因為本文做的練習都是在 SAP Cloud Platform 的 CloudFoundry 環境中進行的，因此我們也可以用 cf 命令列來查詢這些作業的執行情況：

cf sapml retraining jobs -m image

如果遇到作業狀態為 FAILED 的情況，去 AWS 線上儲存上檢視以作業名稱命名的資料夾，裡面包含了詳細的訓練日誌，可以用作錯誤分析：

在這個訓練好的模型能正式被使用之前，我們還需要對其進行部署，類似 ABAP Netweaver 裡的“啟用”動作。

和提交訓練的後臺作業類似，模型部署也是一個非同步執行的步驟，提交部署請求後，得到一個部署作業 ID：ms-26c5a22c-6d07-4164-8222-a4182969162d

根據這個部署作業 ID 可以查詢模型部署狀態：

成功部署後，我們就可以用 Restful API 消費這個模型了，url 的格式為：

http://mlfinternalproduction-image-classifier.cfapps.sap.hana.ondemand.com/api/v2/image/classification/models/<model name>/versions/1

我從網路上隨便找一張向日葵的照片，

將這張圖片作為 HTTP POST 的引數發給我重新訓練並且部署好的模型 flowerjerrymodel，得到的結果顯示，重新訓練後的模型認為這張圖片有大約 87%的可能性是代表向日葵。

至此，這個機器模型重新訓練和消費的步驟就成功完成了。

總結

本文首先介紹了使用 SAP UI5 前端框架開發的 Web 應用如何通過 Restful API 的方式消費 SAP Leonardo 平臺提供的機器學習服務，然後以向日葵模型為例，介紹了 Leonardo 平臺上機器學習模型重新訓練和消費的詳細步驟。