本文选择使用 SAP Leonardo 里的 一个Product Image Classification API，即给定一张产品的图片，该 API 能识别出此产品的类别。
简要了解一下这个 API 的功能：该API 模型是由 SAP 基于大约5万张 Icecat 图片训练而成，能区分29种不同的类别，这些类别具体罗列于官方文档上，比如电脑显示器，数码相机，外部存储设备，键盘，液晶电视，手机充电器，笔记本和其他外设等等。如果我们消费这个API时指定的图片代表的产品不属于这 29 种类别之一，API 的表现如何？先卖个关子，文末解答。
这里假定我们已经找到了该 API，点击进入明细页面，将 API Key复制下来，后续的UI5应用需要使用到。
然后进入SAP云平台的 Neo环境。本文介绍的步骤，使用免费的SAP Cloud Platform Neo测试环境即可。
在Service列表里找到 WebIDE——我们将使用WebIDE进行UI5应用的开发。
大家可以直接在 WebIDE 里 clone 这个 Github 仓库，或者把仓库的内容以zip包的形式下载到本地，再使用WebIDE的本地Import功能导入。
我们要告诉 UI5应用这个API的url，因此在Neo环境里创建一个Destination(作用和ABAP Netweaver事务码SM59里创建的Destination相同)：
属性如上图所示，因为是Neo测试环境，所以url为对应的sandbox环境：
https://sandbox.api.sap.com/ml
记下这个Destination名称 sapui5ml-api, 因为稍后的 UI5 代码里需要使用。
记得维护额外的属性WebIDEnabled为true，这样该Destination才能在UI5应用里被使用。点击Check Connection确保看到绿灯。
打开WebIDE里UI5工程里的settings.json文件，将您之前从API console里拷贝的API Key粘贴到此处：
在项目根目录下的neo-app.json文件里，把类型为destination的target对象的名称维护成之前在SAP Cloud Platform Cockpit里创建的destination相同的名称。
运行这个UI5应用，能看到如下界面：
做一些简单的测试：
SAP Leonardo的机器学习API，识别出这张图片有74.7%的可能性是一台笔记本电脑，13.8%的可能性是键盘，11.3%的可能性是Tablets.
点击按钮 View JSON，能看到调用 SAP Leonardo API 返回的技术明细。
鼠标的图片也成功识别出来了：
本文开头提到，Product Image Classification API 只支持29种产品类别：
如果我们开发应用时需要支持额外的产品类别，就需要自行提供该产品类别的图片来重新训练模型。
下面介绍SAP Leonardo上机器学习模型的重新训练步骤。
假设我们期望重新训练之后，Product Image Classfication这个模型能够识别出不同种类的花，那么我们首先得搞到大量花的图片。Tensorflow的官网上，已经体贴地给想做模型训练的学习者们，提供了一个做练习用的压缩包，里面包含了大量各式花的图片。
SAP Leonardo接受的能用于重新训练模型的数据集，必须符合下图所示的层级结构，即training, validation和test三个文件夹下面，分别包含以产品类别命名的子文件夹，且数据规模之比为8:1:1.
有了用于训练的数据后，下一步就是把这些数据上传到SAP Leonardo的模型在线存储平台上。
在 SAP 云平台上创建 Leonardo 机器学习的服务实例，这个实例的 service key 里包含了一个IMAGE_RETRAIN_API_URL，可以用来获取在线存储的url：
向这个url发送一个HTTP get请求，得到在线存储的url：
把这个url粘贴到浏览器里，输入postman里返回的accessKey和secretKey登录，就能以web的方式访问这个在线存储了：
下一步是把本地的训练文件上传到这个部署在AWS上的在线存储上去。
首先用命令行 mc config host 定义一个名为sapjerrys3的远程站点，将上一步从postman获得的AWS在线存储url，accessKey和secret绑定到这个站点上：
然后使用命令行上传文件：
mc.exe cp -r C:\Code\MachineLearningStudy\flowersjerry sapjerrys3\data
大概十几分钟后，文件上传完毕：
此时可以从浏览器里看到AWS在线存储上传完毕的训练文件。
现在可以提交一个后台作业了，让Leonardo去处理这些上传好的文件，ABAP顾问们可以把这个动作理解成在Netweaver事务码SM36里定义一个后台作业并提交。发送一个HTTP post请求，除了下图jobName, dataset和modelName需要自己维护外，其他字段都使用SAP官网上定义的默认值。
这个请求会返回一个后台作业ID，抄下来后把它拼到url末尾，然后重新发送一个HTTP get请求，即可查询到这个作业的执行情况。Jerry重新训练的时候，等待了大概五分钟，作业状态就变为SUCCEEDED了。
因为本文做的练习都是在SAP Cloud Platform的CloudFoundry环境中进行的，因此我们也可以用cf命令行来查询这些作业的执行情况：
cf sapml retraining jobs -m image
如果遇到作业状态为FAILED的情况，去AWS在线存储上查看以作业名称命名的文件夹，里面包含了详细的训练日志，可以用作错误分析：
在这个训练好的模型能正式被使用之前，我们还需要对其进行部署，类似ABAP Netweaver里的“激活”动作。
和提交训练的后台作业类似，模型部署也是一个异步执行的步骤，提交部署请求后，得到一个部署作业ID：ms-26c5a22c-6d07-4164-8222-a4182969162d
根据这个部署作业ID可以查询模型部署状态：
成功部署后，我们就可以用Restful API消费这个模型了，url的格式为：
https://mlfinternalproduction-image-classifier.cfapps.sap.hana.ondemand.com/api/v2/image/classification/models//versions/1
我从网络上随便找一张向日葵的照片，
将这张图片作为HTTP POST的参数发给我重新训练并且部署好的模型flowerjerrymodel，得到的结果显示，重新训练后的模型认为这张图片有大约87%的可能性是代表向日葵。
至此，这个机器模型重新训练和消费的步骤就成功完成了。
总结
本文首先介绍了使用 SAP UI5 前端框架开发的 Web 应用如何通过 Restful API 的方式消费 SAP Leonardo 平台提供的机器学习服务，然后以向日葵模型为例，介绍了 Leonardo 平台上机器学习模型重新训练和消费的详细步骤。