如何在WML中测试MNIST教程模型？Watson Studio部署后测试咨询

嘿，很高兴看到你成功把MNIST的CNN模型部署到WML了！我来帮你理清测试自定义图像的具体步骤——分输入数据准备和触发评分引擎两部分来说：

你的CNN模型在训练时用的是标准化后的MNIST数据：28x28的灰度图像，像素值被归一化到0-1区间（通常是除以255），并且被展平成784个元素的一维数组。所以测试时不能直接上传PNG/JPG这类图像文件，必须先把你的图像预处理成和训练数据格式一致的数值数组，再包装成WML评分接口接受的JSON结构。

具体预处理步骤：

• 把目标图像转换成28x28的灰度图（如果是彩色图，先转灰度通道）
• 将每个像素值做归一化处理（要和你训练时的逻辑完全一致，比如除以255）
• 把28x28的二维数组展平成784个元素的一维数组
• 包装成WML要求的JSON格式，典型结构如下：

  {
    "input_data": [
      {
        "values": [
          [0.0, 0.01, 0.03, ..., 0.98]  // 这里是784个归一化后的像素值
        ]
      }
    ]
  }
  

你可以在WML部署页面的「输入」标签下查看模型的输入schema，确保JSON结构和字段完全匹配。

有三种常用的测试方式，你可以根据场景选择：

1. Watson Studio界面直接测试 #

这是最快捷的验证方式：

• 进入你的WML部署详情页面，切换到「测试」选项卡
• 在输入框中粘贴准备好的JSON数据
• 点击「评分」按钮，就能立刻看到模型的预测结果（比如数字类别和对应概率）

2. 通过REST API调用测试 #

如果需要自动化测试或者集成到其他应用，用API调用更灵活：

• 先从部署页面获取两个关键信息：评分URL和API密钥（在「凭证」标签下）
• 用curl命令发送POST请求的例子：

  curl -X POST \
    -u "apikey:<你的API密钥>" \
    -H "Content-Type: application/json" \
    -d '{"input_data": [{"values": [[0.0, 0.01, ..., 0.98]]}]}' \
    <你的评分URL>
  

• 用Python的requests库调用的例子：

  import requests
  
  api_key = "<你的API密钥>"
  scoring_url = "<你的评分URL>"
  
  # 获取认证token
  token_response = requests.post(
      "https://iam.cloud.ibm.com/identity/token",
      data={"apikey": api_key, "grant_type": "urn:ibm:params:oauth:grant-type:apikey"}
  )
  access_token = token_response.json()["access_token"]
  
  headers = {
      "Content-Type": "application/json",
      "Authorization": f"Bearer {access_token}"
  }
  
  payload = {
      "input_data": [
          {
              "values": [[0.0, 0.01, ..., 0.98]]
          }
      ]
  }
  
  response = requests.post(scoring_url, json=payload, headers=headers)
  print(response.json())
  

3. 在Watson Studio Notebook中测试 #

如果你习惯用Notebook，可以一站式完成图像加载、预处理和模型调用：

• 先安装并导入WML客户端库：

  !pip install ibm-watson-machine-learning
  from ibm_watson_machine_learning import APIClient
  

• 配置客户端并关联你的部署：

  wml_credentials = {
      "apikey": "<你的API密钥>",
      "url": "<你的WML实例URL>"
  }
  client = APIClient(wml_credentials)
  client.set.default_space("<你的空间ID>")
  deployment_id = "<部署ID>"
  

• 加载并预处理你的图像（以PIL库为例）：

  from PIL import Image
  import numpy as np
  
  # 加载图像并转灰度、调整尺寸
  img = Image.open("your_mnist_image.png").convert("L")
  img = img.resize((28, 28))
  # 归一化并展平
  img_array = np.array(img) / 255.0
  flattened_array = img_array.flatten().tolist()
  

• 调用模型获取评分：

  payload = {"input_data": [{"values": [flattened_array]}]}
  predictions = client.deployments.score(deployment_id, payload)
  print(predictions)
  

最后提醒下：预处理步骤必须和训练模型时完全一致（比如是否反转图像颜色、归一化方式等），否则模型的预测结果可能会偏离预期哦！

内容的提问来源于stack exchange，提问作者ishida330