upgrade to 0.8.3

Author: 继盛

docs/source/api-def.rst

@@ -54,9 +54,6 @@ Definitions
 .. autoclass:: odps.models.ml.OfflineModel
     :members:
 
-.. autoclass:: odps.models.ml.OnlineModel
-    :members:
-
 .. autoclass:: odps.models.security.User
     :members:
 

docs/source/base-models.rst

@@ -98,110 +98,3 @@ run_xflow 的例子：
 .. code:: python
 
     >>> o.delete_offline_model('logistic_regression_model_name')
-
-在线模型
----------
-
-在线模型是 ODPS 提供的模型在线部署能力。用户可以通过 Pipeline 部署自己的模型。详细信息请参考“机器学习平台——在线服务”章节。
-
-需要注意的是，在线模型的服务使用的是独立的 Endpoint，需要配置 Predict Endpoint。通过
-
-.. code:: python
-
-    >>> o = ODPS('your-access-id', 'your-secret-access-key', 'your-default-project',
-    >>>          endpoint='your-end-point', predict_endpoint='predict_endpoint')
-
-即可在 ODPS 对象上添加相关配置。Predict Endpoint 的地址请参考相关说明或咨询管理员。
-
-部署离线模型上线
-~~~~~~~~~~~~~~~~
-
-PyODPS 提供了离线模型的部署功能。部署方法为
-
-.. code:: python
-
-    >>> model = o.create_online_model('online_model_name', 'offline_model_name')
-
-
-部署自定义 Pipeline 上线
-~~~~~~~~~~~~~~~~~~~~~~~~
-含有自定义 Pipeline 的在线模型可自行构造 ModelPredictor 对象，例子如下：
-
-.. code:: python
-
-    >>> from odps.models.ml import ModelPredictor, ModelProcessor, BuiltinProcessor, PmmlProcessor, PmmlRunMode
-    >>> predictor = ModelPredictor(target_name='label')
-    >>> predictor.pipeline.append(BuiltinProcessor(offline_model_name='sample_offlinemodel',
-    >>>                                            offline_model_project='online_test'))
-    >>> predictor.pipeline.append(PmmlProcessor(pmml='data_preprocess.xml',
-    >>>                                         resources='online_test/resources/data_preprocess.xml',
-    >>>                                         run_mode=PmmlRunMode.Converter))
-    >>> predictor.pipeline.append(CustomProcessor(class_name='SampleProcessor',
-    >>>                                           lib='libsample_processor.so',
-    >>>                                           resources='online_test/resources/sample_processor.tar.gz'))
-    >>> model = o.create_online_model('online_model_name', predictor)
-
-其中，BuiltinProcessor、PmmlProcessor 和 CustomProcessor 分别指 ODPS OfflineModel 形成的 Pipeline 节点、PMML
-模型文件形成的 Pipeline 节点和用户自行开发的 Pipeline 节点。
-
-在线模型操作
-~~~~~~~~~~~~
-
-与其他 ODPS 对象类似，创建后，可列举、获取和删除在线模型：
-
-.. code:: python
-
-    >>> models = o.list_online_models(prefix='prefix')
-    >>> model = o.get_online_model('online_model_name')
-    >>> o.delete_online_model('online_model_name')
-
-可使用模型名和数据进行在线预测，输入数据可以是 Record，也可以是字典或数组和 Schema 的组合：
-
-.. code:: python
-
-    >>> data = [[4, 3, 2, 1], [1, 2, 3, 4]]
-    >>> result = o.predict_online_model('online_model_name', data,
-    >>>                                 schema=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'])
-
-也可为模型设置 ABTest。参数中的 modelx 可以是在线模型名，也可以是 get_online_model 获得的模型对象本身，而 percentagex 表示
-modelx 在 ABTest 中所占的百分比，范围为 0 至 100：
-
-.. code:: python
-
-    >>> result = o.config_online_model_ab_test('online_model_name', model1, percentage1, model2, percentage2)
-
-修改模型参数可以通过修改 OnlineModel 对象的属性，再调用 update 方法实现，如
-
-.. code:: python
-
-    >>> model = o.get_online_model('online_model_name')
-    >>> model.cpu = 200
-    >>> model.update()
-
-与其他对象不同的是，在线模型的创建和删除较为耗时。PyODPS 默认 create_online_model 和 delete_online_model 以及
-OnlineModel 的 update 方法在整个操作完成后才返回。用户可以通过 async 选项控制是否要在模型创建请求提交后立即返回，
-然后自己控制等待。例如，下列语句
-
-.. code:: python
-
-    >>> model = o.create_online_model('online_model_name', 'offline_model_name')
-
-等价于
-
-.. code:: python
-
-    >>> model = o.create_online_model('online_model_name', 'offline_model_name', async=True)
-    >>> model.wait_for_service()
-
-而
-
-.. code:: python
-
-    >>> o.delete_online_model('online_model_name')
-
-等价于
-
-.. code:: python
-
-    >>> o.delete_online_model('* online_model_name *', async=True)
-    >>> model.wait_for_deletion()